Rust版RDKit语义移植完成：289万记录零不匹配

COSMolKit把RDKit 2026.03.1的源语义完整搬到Rust后，在ChEMBL 37全部结构表上跑通了2897819条记录的验证，累计完成2931581192次匹配检查且零阻塞不匹配。

这个数字不是宣传口号，而是实测结果。它表明化学信息学里最核心的分子操作逻辑可以在Rust中被精确重现，同时获得内存安全和并发优势。

Rust在科学计算中为何值得投入

过去十年，Rust在系统编程领域站稳脚跟后，开始向科学计算渗透。它的所有权模型能从编译期消除内存错误，这对长期运行的科学模拟和数据处理管道特别有吸引力。化学信息学工具常常要处理数百万分子结构，任何内存泄漏或越界访问都可能导致整夜计算中断。

Rust的零成本抽象让开发者能在保持高性能的同时写出接近Python的清晰代码。科学计算社区逐渐意识到，C++代码库虽然快，但维护成本高、安全漏洞多。Rust提供了一条既安全又接近原生速度的路径。

COSMolKit项目正是这一趋势的具体案例。它没有简单地用FFI绑定RDKit，而是选择把RDKit的源语义直接用Rust重写。这意味着Rust实现必须在每一步都与C++原版产生完全一致的结果。

移植RDKit的核心动机

RDKit是化学信息学事实上的标准库，全球药物研发团队几乎都在用它做分子指纹、子结构搜索、反应模板匹配和构象生成。任何新工具如果不能与RDKit对齐，就无法被现有工作流接受。

COSMolKit团队选择移植而不是绑定，主要出于两点考虑。首先是部署便利性。纯Rust二进制文件可以轻松分发到各种计算集群，无需处理C++编译环境和ABI兼容问题。其次是长期可维护性。绑定方案需要同时维护两套语言的代码，而语义移植后只需维护Rust一份实现。

更重要的是，Rust版本能天然获得线程安全保证。这对并行处理大型化合物库至关重要。ChEMBL 37这样千万级的数据集，拆成几千个分片并行验证是常规操作，Rust的所有权系统让这种并行变得安全且简单。

语义差异带来的挑战

把C++代码翻译成Rust远不是语法转换那么简单。RDKit大量使用指针、共享可变状态和隐式类型转换，这些在Rust里必须显式处理。

例如，RDKit中很多函数接受非const引用并修改传入对象，而Rust强制要求可变借用独占。团队必须重新设计API，在保持功能一致的前提下满足借用检查器。另一个难点是距离几何（distance geometry）模块，涉及大量浮点矩阵运算和随机数生成，任何舍入误差或随机种子差异都会导致结果不匹配。

项目采用分层验证策略：先对单个分子做单元测试，再对小批量化合物做回归测试，最后用完整ChEMBL表做大规模一致性检查。整个过程划分了31个验证阶段和3968个分片任务，确保每一种边缘情况都被覆盖。

性能与内存安全的实际收益

验证结果显示，Rust实现不仅达到了功能对齐，在某些场景下还获得了性能提升。所有权模型消除了运行时引用计数，减少了不必要的内存分配。并发处理多个分子时，Rust版本能更高效地利用多核，而无需担心数据竞争。

内存安全是另一个关键收益。化学信息学工具常被集成到Web服务或长时间运行的管道中，C++版本偶尔出现的段错误可能导致整个服务崩溃。Rust在编译期就杜绝了这类问题，显著提高了生产环境的可靠性。

项目还特别验证了距离几何模块，累计处理超过27.5亿个矩阵元素。如此大规模的数值计算如果出现内存错误，后果难以预料。Rust版本在整个过程中没有出现任何未定义行为，这本身就是强有力的证明。

对国内药物研发工具链的潜在价值

国内制药企业和CRO公司正加速数字化转型，对开源化学信息学工具的需求日益增长。RDKit虽然强大，但C++接口对很多团队来说门槛较高。纯Rust实现可以降低部署难度，让更多算法工程师直接参与分子建模工作。

在药物AI研发热潮中，大量模型需要快速处理分子库。Rust的高性能和安全性使其适合构建可信的后台服务。未来如果COSMolKit继续完善SMILES解析、反应枚举、力场优化等功能，有望成为国内团队自研药物设计平台的可靠基础组件。

此外，Rust的Cargo生态便于集成到现有Python工作流中。通过PyO3或类似工具，研究者可以继续使用熟悉的Jupyter环境，而底层计算由Rust承担。这种混合模式既保留了生产力，又获得了性能和安全保障。

当前局限与下一步方向

尽管验证覆盖面已经很广，但仍有部分RDKit高级功能尚未移植，比如某些复杂反应变换和机器学习相关模块。项目目前聚焦于核心结构操作和构象生成，距离完整对等替代还有距离。

验证使用的RDKit版本是2026.03.1，未来RDKit继续演进时，Rust端需要持续跟进。这要求维护者投入长期精力。

不过零阻塞不匹配的结果已经为后续工作打下坚实基础。团队下一步可能开放更多API，并提供预编译二进制，降低国内用户尝试门槛。

科学计算语言选择的现实考量

这场移植实验表明，Rust完全有能力承载化学信息学这样对正确性和性能都有极高要求的领域。关键不在于语言本身，而在于是否愿意投入精力把已有成熟逻辑精确重现。

对国内团队来说，这提供了一个新选项：在继续使用RDKit的同时，可以逐步引入Rust组件来处理高吞吐、安全性敏感的部分。两者并不冲突，而是可以互补。

当289万条真实药物分子数据在Rust实现上全部通过验证时，我们看到的不只是一个技术项目，更是一种新的工具链可能性。它提醒我们，安全、高性能、易部署的化学信息学基础设施正在变得触手可及。

（全文约2150字）

参考来源