def fragment_score(mols, fragment_lib): fragments = Chem.MolFragmentToSmiles(mols, frags=None, maxResults=1000000, \ canonical=True, isomericSmiles=False, kekuleSmiles=False, \ allBondsExplicit=False, allHsExplicit=False, doRandom=False) score = 0 for f in fragments: if f in fragment_lib: score += fragment_lib[f] else: mol_frag = Chem.MolFromSmiles(f) score += Descriptors.MolWt(mol_frag) + \ rdMolDescriptors.CalcNumRotatableBonds(mol_frag) return score优化这段代码

这段代码的性能瓶颈在于循环遍历所有的分子片段并逐一计算分数。为了优化这段代码，可以考虑以下几点：

1. 避免重复计算分子片段：在循环遍历分子片段之前，可以先将所有的分子片段存储到一个集合（set）中，这样可以避免重复计算分子片段。

2. 使用字典（dict）存储分子片段得分：可以将分子片段和其得分存储到一个字典中，这样可以快速查找分子片段得分，而不需要每次都遍历整个字典。

3. 使用化学指纹（fingerprint）匹配分子片段：可以使用化学指纹来匹配分子片段，这样可以更快速地查找分子片段得分。

下面是优化后的代码：

from rdkit import Chem
from rdkit.Chem import Descriptors, rdMolDescriptors

def fragment_score(mols, fragment_lib):
    fragments = set()
    for mol in mols:
        mol_fragments = Chem.GetMolFrags(mol, asMols=True)
        for mol_frag in mol_fragments:
            fragments.add(Chem.MolToSmiles(mol_frag, isomericSmiles=False))
    
    fragment_scores = {}
    for f in fragments:
        if f in fragment_lib:
            fragment_scores[f] = fragment_lib[f]
        else:
            mol_frag = Chem.MolFromSmiles(f)
            fragment_scores[f] = Descriptors.MolWt(mol_frag) + rdMolDescriptors.CalcNumRotatableBonds(mol_frag)
    
    score = sum(fragment_scores.values())
    return score

这样优化后的代码可以更快速地计算分子片段的得分，提高了代码的性能。