📚 课程目录第3章分子结构表示与标准化

3. 分子结构表示与标准化

在QSAR建模中，分子结构表示是整条数据链的起点。同一化合物若以不同形式进入建模流程，模型看到的“特征”可能完全不同，最终活性预测结果也会出现偏差。本节围绕SMILES、InChI、分子图三种表示方式，以及盐离子处理与互变异构体标准化两个关键清洗环节，说明如何把原始结构数据整理成可比较、可建模的统一形式。

一、三种结构表示的分工

SMILES（Simplified Molecular Input Line Entry System）是用字符串描述分子连接关系的一种线性表示。例如乙醇写作 CCO，苯环写作 c1ccccc1。它的优点是紧凑、易存储、便于程序解析；缺点是同一分子可以有多种合法写法，如 CC(=O)O 与 OC(C)=O 都表示乙酸。若不做规范化，同一化合物会被当成两条记录，导致重复计数或训练集泄漏。

InChI（International Chemical Identifier）是IUPAC推出的标准标识符，由分层结构组成，如 InChI=1S/C2H6O/c1-2-3/h3H,2H2,1H3。它包含分子式层、连接层、氢原子层、电荷层、立体化学层等，具有唯一性和可校验性，适合作为跨数据库的“主键”。InChIKey是InChI的固定长度哈希，常用于快速检索与去重。

分子图把分子表示为节点（原子）与边（化学键）的集合，节点带元素、电荷、杂化等属性，边带键级、立体信息。图表示是图神经网络（GNN）等现代QSAR方法的直接输入，也是判断两个结构是否同构的数学基础。

二、盐离子与反离子处理

药物化学数据库中大量化合物以盐形式存在，如盐酸盐、钠盐、马来酸盐。若直接对盐形式计算分子量、logP或指纹，反离子会引入额外原子，使描述符偏离真实活性分子。标准做法是保留最大的有机母体片段，剥离无机反离子与溶剂分子。例如 [Na+].[Cl-].CC(=O)O 应规范为 CC(=O)O；CN1C=NC2=C1C(=O)N(C)C(=O)N2C.Cl（咖啡因盐酸盐示例）应保留咖啡因母体。

需要注意两类例外：一是季铵盐、两性离子等母体本身带电荷的化合物，不能简单“去电荷”，而应保留其净电荷状态；二是含金属的配合物或硼酸类前药，剥离反离子可能改变活性实体，需结合具体项目判断。实操中常用RDKit的 SaltRemover 或 rdMolStandardize 模块完成，处理后再统一生成规范SMILES。

三、互变异构体标准化

互变异构体是同一分子因质子与双键位置不同而形成的不同结构，典型如酮式—烯醇式、酰胺—亚胺醇式、咪唑环上的N-H迁移。它们在数据库中常以不同记录出现，但化学本质相同。若不加处理，同一化合物会被重复计数，训练集与测试集之间还可能发生结构泄漏，使模型评估虚高。

标准化的目标是为每个互变异构体集合选定一个规范形式。常用规则包括：优先选择能形成更多芳香环的形式；优先选择电荷分离更少的形式；优先选择官能团稳定性更高的形式（如酮式优于烯醇式）。RDKit提供 TautomerEnumerator 与 CanonicalTautomer 接口，可按规则枚举并选取规范互变异构体。

示例：乙酰乙酸乙酯的酮式—烯醇式互变异构

酮式：  CCOC(=O)CC(C)=O
烯醇式：CCOC(=O)C=C(C)O
标准化后统一为酮式：CCOC(=O)CC(C)=O

若两条记录分别以酮式和烯醇式入库，标准化后应合并为同一条，避免重复。

四、可执行的标准化流程

把上述环节串起来，一个可复现的标准化流程如下（以RDKit为例，示例参数为教学假设，实际需按项目调整）：

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

def standardize(smiles):
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return None
    # 1. 去盐：保留最大有机片段
    mol = rdMolStandardize.FragmentParent(mol)
    # 2. 去同位素
    mol = rdMolStandardize.IsotopeParent(mol)
    # 3. 电荷中和（保留母体净电荷逻辑）
    mol = rdMolStandardize.Uncharger().uncharge(mol)
    # 4. 互变异构体归一
    enumerator = rdMolStandardize.TautomerEnumerator()
    mol = enumerator.Canonicalize(mol)
    # 5. 输出规范SMILES与InChIKey
    can_smiles = Chem.MolToSmiles(mol, isomericSmiles=True)
    inchi_key = Chem.MolToInchiKey(mol)
    return can_smiles, inchi_key

print(standardize("[Na+].[Cl-].CC(=O)O"))
# 预期输出：('CC(=O)O', 'QTBSBXVTEAMEQO-UHFFFAOYSA-N')

运行后应检查三点：一是去盐后母体是否合理，分子量是否与预期活性实体一致；二是互变异构体归一后，同一化合物的不同记录是否收敛到同一InChIKey；三是立体化学信息是否被意外丢失，若项目需要区分对映体，应在标准化时保留手性标记。

五、常见问题与判断依据

去盐过度：季铵盐、两性离子被错误中和，导致活性实体电荷状态改变。判断依据：检查母体净电荷是否与药理相关形式一致。
互变异构体归一错误：某些含氮杂环的规范形式选择不符合项目化学直觉。判断依据：抽样人工核对，必要时自定义优先级规则。
SMILES解析失败：芳香性、手性标记或价态异常导致 MolFromSmiles 返回None。判断依据：记录失败条目并回溯原始数据源。
InChIKey冲突：不同结构生成相同InChIKey，通常意味着标准化过度或立体信息丢失。判断依据：对比标准化前后的InChI分层信息。

工程建议：标准化应作为数据入库前的固定环节，并保留“原始SMILES—标准化SMILES—InChIKey—处理日志”四列，便于追溯与复现。对同一批数据，标准化脚本应版本化，避免不同批次使用不同规则导致结构不一致。

分子结构表示与标准化看似是数据预处理的小环节，却直接决定QSAR模型能否学到真实的构效关系。把SMILES、InChI、分子图三种表示统一到同一套标准化流程下，再配合盐离子剥离与互变异构体归一，才能让后续的描述符计算、特征选择和模型训练建立在可靠的结构基础之上。