Scikit-fingerprints: easy and efficient computation of molecular fingerprints in Python

在这项工作中，我们介绍了一个名为\textit{scikit-fingerprints}的Python包，用于计算分子指纹在化学信息学中的应用。我们的库提供了一个行业标准的scikit-learn接口，允许直观的使用和与机器学习管道的轻松集成。它还进行了高度优化，具有并行计算功能，可以有效地处理大型分子数据集。目前，\textit{scikit-fingerprints}是Python生态系统中功能最丰富的库，提供了超过30种分子指纹。我们的库简化了基于分子指纹的化学信息学任务，包括分子性质预测和虚拟筛选。它也是灵活的、高效的，完全开源的。

本文介绍了Python包scikit-fingerprints，旨在解决分子指纹计算的问题，包括分子属性预测和虚拟筛选等任务。

scikit-fingerprints是一个高度优化的Python库，提供了行业标准的scikit-learn接口，支持并行计算和30多种分子指纹计算方法。相比当前领域的研究，该库的新意在于其高度优化的性能和丰富的分子指纹计算方法。

该库的亮点包括易于使用和与机器学习流水线的易集成性、高度优化的性能、30多种分子指纹计算方法、开源代码等。实验使用了多个数据集，并且该库已成为Python生态系统中最丰富的分子指纹计算库之一。值得进一步研究的工作包括更多的分子指纹计算方法和更广泛的应用场景。

最近的相关研究包括“RDKit”和“Open Babel”等分子化学工具包。