feat(rag): add retrieval module (_smiles_to_fp, Top-K neighbor search)

lnp_ml/modeling/retrieval.py

@@ -0,0 +1,193 @@
+"""
+检索增强特征模块 (第一层优化)。
+
+核心思想 (借鉴 MolRAG 的化学硬先验「结构相似 → 性质相似」):
+    对每个分子，用 Morgan 指纹在「训练集检索池」中找最相似的 k 个邻居，
+    把它们的已知标签 (已 z-score 的 quantified_delivery 等) 聚合成一个特征向量，
+    作为额外旁路注入融合层 (配零初始化门控，保证「加了不会更差」)。
+
+防数据泄漏铁律 (本模块通过接口与逻辑强制保证):
+    1. 检索池 (pool_smiles / pool_labels) 只能由调用方传入「训练集」分子。
+       本模块自身不接触任何全局数据，只用传进来的池。
+    2. exclude_self=True 时，查询分子若在池中 (训练分子查询自己)，
+       排除指纹完全相同的「自己」(相似度=1.0 的那一个)，否则等于直接看答案。
+    3. 测试分子查询时，池里全是训练集，测试分子不在池中，
+       天然不会检索到自己或其他测试分子。
+
+设计原则:
+    - 纯特征工程，不引入可训练参数 (投影层在 models.py 侧)。
+    - 池构建时一次性预计算所有指纹，查询时只算查询分子指纹 + 相似度，高效。
+    - 标签已在 dataset.py 标准化 (z-score)，聚合时直接 (加权) 平均即可。
+"""
+
+from __future__ import annotations
+
+from typing import List, Optional, Sequence
+
+import numpy as np
+
+from rdkit import Chem
+from rdkit.Chem import AllChem, DataStructs
+from rdkit import RDLogger
+
+# 关闭 RDKit 的噪音日志 (无效 SMILES 警告等)
+RDLogger.DisableLog("rdApp.*")
+
+
+def _smiles_to_fp(smiles: str, radius: int = 2, n_bits: int = 2048):
+    """单个 SMILES -> Morgan 指纹 (ExplicitBitVect)。无效 SMILES 返回 None。"""
+    mol = Chem.MolFromSmiles(smiles)
+    if mol is None:
+        return None
+    return AllChem.GetMorganFingerprintAsBitVect(mol, radius=radius, nBits=n_bits)
+
+
+class MorganRetriever:
+    """基于 Morgan 指纹 + Tanimoto 相似度的分子检索器。
+
+    用法:
+        # 只用训练集分子建池
+        retr = MorganRetriever(
+            pool_smiles=train_smiles,          # List[str]
+            pool_labels=train_labels,          # np.ndarray [N_pool, label_dim]
+            radius=2, n_bits=2048, k=5,
+        )
+        # 查询 (训练分子查询时 exclude_self=True 防泄漏)
+        feat = retr.query(query_smiles, exclude_self=True)   # np.ndarray [label_dim*?]
+    """
+
+    def __init__(
+        self,
+        pool_smiles: Sequence[str],
+        pool_labels: np.ndarray,
+        radius: int = 2,
+        n_bits: int = 2048,
+        k: int = 5,
+        sim_weighted: bool = True,
+        include_sim_stats: bool = True,
+    ) -> None:
+        """
+        Args:
+            pool_smiles: 检索池分子的 SMILES (必须只含训练集分子)。
+            pool_labels: 检索池分子的标签, shape [N_pool, label_dim], 已标准化。
+            radius:      Morgan 指纹半径 (MolRAG 用 2)。
+            n_bits:      指纹位数。
+            k:           检索近邻数。
+            sim_weighted: 聚合邻居标签时是否按相似度加权 (否则等权平均)。
+            include_sim_stats: 是否在输出特征里附带相似度统计 (top1/mean 相似度)，
+                               让模型知道「邻居有多可靠」。
+        """
+        assert len(pool_smiles) == len(pool_labels), "池 SMILES 与标签数量不一致"
+        self.radius = radius
+        self.n_bits = n_bits
+        self.k = k
+        self.sim_weighted = sim_weighted
+        self.include_sim_stats = include_sim_stats
+
+        _smiles_arr = list(pool_smiles)
+        _labels_arr = np.asarray(pool_labels, dtype=np.float32)
+        # 过滤掉标签含 NaN 的分子：它们没有有效标签，不能作为性质参考邻居
+        _valid_mask = ~np.isnan(_labels_arr).any(axis=1)
+        self.pool_smiles: List[str] = [_smiles_arr[i] for i in range(len(_smiles_arr)) if _valid_mask[i]]
+        self.pool_labels = _labels_arr[_valid_mask]
+        self.label_dim = self.pool_labels.shape[1]
+        _n_dropped = int((~_valid_mask).sum())
+        if _n_dropped > 0:
+            import sys
+            print(f'[MorganRetriever] 过滤 {_n_dropped} 个 NaN 标签分子，有效检索池={len(self.pool_smiles)}', file=sys.stderr)
+
+        # 池内 SMILES 集合，用于 exclude_self="auto" 时判断查询分子是否在池中
+        self.pool_smiles_set = set(self.pool_smiles)
+
+        # 预计算池内所有指纹 (无效分子记 None，检索时跳过)
+        self.pool_fps = [_smiles_to_fp(s, radius, n_bits) for s in self.pool_smiles]
+
+        # 标签均值，用于无有效邻居时的回退 (用训练集均值，不泄漏)
+        self.label_mean = self.pool_labels.mean(axis=0)
+
+    @property
+    def feature_dim(self) -> int:
+        """输出特征维度: 聚合标签 (label_dim) [+ 相似度统计 2 维]。"""
+        return self.label_dim + (2 if self.include_sim_stats else 0)
+
+    def query(self, query_smiles: str, exclude_self="auto") -> np.ndarray:
+        """检索查询分子的 top-k 邻居并聚合其标签为特征向量。
+
+        Args:
+            query_smiles: 查询分子 SMILES。
+            exclude_self: 排除自身策略，防数据泄漏的关键。
+                - "auto" (默认, 推荐): 查询分子若在检索池中(训练分子)，自动排除自己；
+                  不在池中(测试分子)则不排除。无需调用方区分训练/测试。
+                - True:  强制排除相似度=1.0 的分子。
+                - False: 不排除(仅当确定查询分子不在池中时使用)。
+
+        Returns:
+            特征向量 np.ndarray [feature_dim]。无有效邻居时回退到训练集均值。
+        """
+        # auto 模式：查询分子在池中 → 训练分子 → 排除自己；否则不排除
+        if exclude_self == "auto":
+            do_exclude = query_smiles in self.pool_smiles_set
+        else:
+            do_exclude = bool(exclude_self)
+
+        q_fp = _smiles_to_fp(query_smiles, self.radius, self.n_bits)
+        if q_fp is None:
+            # 查询分子无效：回退到训练集均值 + 零相似度
+            agg = self.label_mean.copy()
+            if self.include_sim_stats:
+                agg = np.concatenate([agg, np.array([0.0, 0.0], dtype=np.float32)])
+            return agg.astype(np.float32)
+
+        # 与池内每个分子算 Tanimoto 相似度
+        sims = np.full(len(self.pool_fps), -1.0, dtype=np.float32)
+        for i, fp in enumerate(self.pool_fps):
+            if fp is None:
+                continue
+            sims[i] = DataStructs.TanimotoSimilarity(q_fp, fp)
+
+        # 排除自己: 指纹完全相同 (相似度 >= 1.0 - eps) 的那一个
+        if do_exclude:
+            eps = 1e-6
+            self_mask = sims >= (1.0 - eps)
+            # 保守起见：把所有相似度=1.0 的都视作潜在自身并排除，
+            # 因为结构完全相同的分子标签也应相同，留着等于泄漏答案。
+            sims[self_mask] = -1.0
+
+        # 取 top-k (相似度降序)，过滤掉无效 (-1) 的
+        valid = np.where(sims >= 0.0)[0]
+        if len(valid) == 0:
+            # 没有有效邻居：回退到训练集均值
+            agg = self.label_mean.copy()
+            if self.include_sim_stats:
+                agg = np.concatenate([agg, np.array([0.0, 0.0], dtype=np.float32)])
+            return agg.astype(np.float32)
+
+        order = valid[np.argsort(-sims[valid])]
+        topk_idx = order[: self.k]
+        topk_sims = sims[topk_idx]
+        topk_labels = self.pool_labels[topk_idx]  # [k', label_dim]
+
+        # 聚合邻居标签
+        if self.sim_weighted and topk_sims.sum() > 1e-8:
+            w = topk_sims / topk_sims.sum()
+            agg_label = (w[:, None] * topk_labels).sum(axis=0)
+        else:
+            agg_label = topk_labels.mean(axis=0)
+
+        if self.include_sim_stats:
+            sim_stats = np.array(
+                [float(topk_sims[0]), float(topk_sims.mean())], dtype=np.float32
+            )
+            agg = np.concatenate([agg_label.astype(np.float32), sim_stats])
+        else:
+            agg = agg_label.astype(np.float32)
+
+        return agg.astype(np.float32)
+
+    def query_batch(
+        self, query_smiles_list, exclude_self="auto"
+    ) -> np.ndarray:
+        """批量检索。返回 [N_query, feature_dim]。"""
+        return np.stack(
+            [self.query(s, exclude_self=exclude_self) for s in query_smiles_list]
+        )