3. 配体结构获取与标准化

配体参数化的第一步不是打开力场工具，而是拿到一个“干净、唯一、可复现”的分子结构。同一个化合物在数据库里可能以盐、水合物、互变异构体、不同立体异构体或不同质子化态出现，若直接下载 SDF 或 SMILES 就投入参数化，后续电荷、原子类型、键级甚至拓扑都会出现难以排查的偏差。本节围绕“获取—清洗—标准化—校验”这条主线，说明如何从 PubChem、ChEMBL、ZINC 取到配体，并把盐型、互变异构、立体化学与质子化态统一到目标状态。

一、三个数据库的定位与取用方式

PubChem 覆盖面最广，适合按名称、CID 或 InChIKey 检索小分子，提供 2D/3D SDF、Canonical SMILES、Isomeric SMILES 等多种表示；ChEMBL 以生物活性数据为核心，配体常与靶点、活性值绑定，适合需要“化合物—靶点—活性”对应关系的场景；ZINC 则面向虚拟筛选和可购买性，提供按 pH 区间预生成的质子化/互变异构形式，适合大规模对接前的配体库准备。三者并非互斥：常见做法是用 PubChem 或 ChEMBL 确认化合物身份与立体化学，再用 ZINC 获取特定 pH 下的可购买形式。

取用时优先记录 InChIKey（尤其是前 14 位骨架哈希）作为跨库比对锚点，而不是只记名称。名称存在同义词和拼写差异，CID 与 ChEMBL ID 也只在各自库内唯一。例如某配体在 PubChem 的 CID 为 2244（阿司匹林示例），其 InChIKey 前段为 BSYNRYMUTXBXSQ，用该骨架哈希即可在 ChEMBL、ZINC 中定位同一母体，避免把盐或酯误当同一分子。

二、盐型与反离子的处理

数据库中的“化合物”经常是盐酸盐、钠盐、硫酸盐或水合物。参数化时通常只保留母体分子，因为反离子（Na⁺、Cl⁻、SO₄²⁻ 等）在结合位点中往往不参与配体构象，却会改变体系净电荷和原子数。处理原则是：先识别盐型，再决定是否去盐。若反离子是结构必需的配位离子（如某些金属酶抑制剂中的 Zn²⁺），则需保留并单独参数化；若只是成盐反离子，应删除。

去盐不能简单删原子，否则会留下不完整价态。正确做法是：对盐型 SMILES 做“最大共价片段”拆分，保留最大有机片段，并补齐因成盐而改变的质子化态。例如羧酸钠盐 CC(=O)[O-].[Na+] 去盐后应得到乙酸根 CC(=O)[O-] 或根据目标 pH 补回质子得到 CC(=O)O，而不是留下带自由价的氧。

三、互变异构与立体化学的标准化

互变异构（如酮—烯醇、酰胺—亚胺醇、咪唑环内质子迁移）会导致同一分子出现多个合法结构。参数化必须固定到与实验条件或对接目标一致的那一个互变异构体。常用策略是：用 RDKit 的 TautomerEnumerator 枚举候选，按能量或规则打分选主形式；若靶点口袋明确要求某一互变异构体，则以晶体结构或已知活性构象为准，不能只依赖默认规则。

立体化学同样关键。SMILES 中的 @/@@、SDF 中的楔形键、InChI 的 /t 层都描述手性。标准化时要检查：手性中心是否完整、双键 E/Z 是否明确、是否有未定义的立体中心。若配体来自外消旋体，需明确是保留外消旋、拆分为单一对映体，还是按靶点选择特定构型。未定义立体中心在参数化后会产生不真实的构象分布，对接结果也不可复现。

四、质子化态的确定

质子化态直接决定配体净电荷和氢键能力。生理 pH 约 7.4，但结合口袋的局部 pH 可能偏离。确定质子化态时，先看可电离基团：羧酸（pKa≈4–5，生理下多为去质子）、脂肪胺（pKa≈9–10，多为质子化）、咪唑（pKa≈6–7，需具体判断）、磷酸（多级电离）。可用 ChemAxon、Open Babel 或 RDKit 的 pKa 预测做初筛，再结合靶点口袋的静电环境修正。

ZINC 的 pH 区间形式（如 pH 7.4 预生成）可直接取用，但要注意其命名和电荷是否与你的力场一致。若自行处理，建议用 Dimorphite-DL 或 Open Babel --partialcharge 生成候选态，再按目标 pH 筛选。最终每个配体应只保留一个明确的质子化态，并在元数据中记录所选态及依据。

五、实操示例：以 RDKit 完成一次标准化

下面给出一个可复现的标准化片段，输入为从 PubChem 下载的盐型 SMILES，输出为去盐、固定互变异构体、明确立体化学的母体分子。示例参数为教学假设，实际使用时需按目标 pH 和靶点调整。

from rdkit import Chem
from rdkit.Chem.MolStandardize import rdMolStandardize

smi = "CC(=O)[O-].[Na+]"          # 示例：乙酸钠盐
mol = Chem.MolFromSmiles(smi)

# 1) 去盐：保留最大共价片段
remover = rdMolStandardize.LargestFragmentChooser()
parent = remover.choose(mol)

# 2) 互变异构体标准化
enum = rdMolStandardize.TautomerEnumerator()
taut = enum.Canonicalize(parent)

# 3) 质子化态：按目标 pH 7.4 补回质子
#    羧酸根在生理 pH 下通常保留去质子形式
final = Chem.MolFromSmiles(Chem.MolToSmiles(taut))

print(Chem.MolToSmiles(final))
# 输出示例：CC(=O)[O-]
print(Chem.MolToInchiKey(final))
# 输出示例：QTBSBXVTEAMEQO-UHFFFAOYSA-M

运行后应检查：输出 SMILES 是否只含一个片段、InChIKey 是否与目标母体一致、净电荷是否为 −1。若目标体系需要中性乙酸，则应在去盐后显式加氢，得到 CC(=O)O，并重新计算 InChIKey。这一步的取舍必须记录在配体元数据中，否则后续电荷分配和力场参数将无法追溯。

六、常见陷阱与判断依据

第一，把盐型当母体参数化，导致原子数偏多、净电荷错误；第二，忽略互变异构，使芳香环或酰胺的键级与真实结合态不符；第三，立体化学未定义，对接产生镜像构象；第四，质子化态与口袋环境矛盾，静电相互作用被高估或低估。判断是否标准化到位，最直接的依据是：同一配体在不同库中经标准化后应得到相同的 InChIKey 和相同的净电荷；若不一致，说明盐型、互变异构或质子化态仍有分歧，需要回到原始记录核对。

完成标准化后，配体才具备进入电荷分配、原子类型指派和力场参数生成的前提。下一阶段的工作将围绕这些已固定的结构状态展开，任何标准化阶段的遗留问题都会在参数化中被放大，因此本节的校验清单应在每次配体准备时逐项执行。