2. 药物分子结构表示基础

在联合表征工程中，分子表示不是“选一种格式存下来”这么简单，而是决定后续模型能看见什么、看不见什么的第一道关口。同一分子用不同表示进入模型，得到的特征空间、可解释性和泛化行为可能完全不同。本节围绕六类基础表示，说明它们各自编码了什么信息、在联合表征中通常以什么形式作为输入，以及最容易被忽略的局限。

一、六类表示的信息层次

SMILES 是一维线性字符串，用原子符号、分支括号、环闭合数字和键符号描述连接关系。例如乙醇写作 CCO，对乙酰氨基酚可写作 CC(=O)Nc1ccc(O)cc1。它紧凑、易存储、易被字符级模型处理，但同一分子存在多种合法写法（如 OCC 与 CCO），且不携带原子坐标、手性以外的空间信息。在联合表征中，SMILES 常作为序列分支输入，经字符嵌入或子结构分词后送入 Transformer 或 RNN。

InChI 是 IUPAC 推动的标准化标识，通过分层结构（分子式层、连接层、氢层、电荷层、立体层、同位素层）保证同一分子得到唯一字符串。它适合做数据库主键、跨库去重和检索，但字符串冗长、可读性差，且不同版本或选项可能产生差异。在联合表征中，InChI 更多承担“对齐锚点”角色，用于校验不同来源的分子是否为同一实体，而非直接作为高维特征输入。

分子图 把原子视为节点、化学键视为边，天然对应 GNN 的输入。节点特征可包含元素类型、度、形式电荷、杂化、是否在环上；边特征可包含键级、共轭、立体构型。相比 SMILES，图表示显式保留拓扑，且对节点顺序不敏感，适合学习局部子结构。局限在于它通常只编码二维连接，不直接包含三维空间构象。

3D 构象 是在三维空间中给出原子坐标的表示，可由实验结构、构象搜索或生成模型得到。它编码了键长、键角、二面角、分子形状和部分静电分布，对结合口袋匹配、药效团识别和对接至关重要。但构象不是唯一的：柔性分子可能有成百上千个低能构象，单一构象往往不能代表其真实行为。在联合表征中，3D 构象常以原子坐标矩阵、距离矩阵或体素网格形式输入，并与图或序列分支融合。

药效团 是对配体与靶点结合所需关键特征的抽象，通常包括氢键供体、氢键受体、疏水中心、芳香环、正/负电荷中心以及它们之间的空间距离约束。它不要求完整原子级结构，而是回答“哪些特征在什么位置共同决定活性”。在联合表征中，药效团常被编码为特征点集或距离约束图，用于跨骨架的活性预测和虚拟筛选。

分子指纹 是把分子映射为固定长度位向量或计数向量的方法，如 Morgan/ECFP、MACCS、RDKit 拓扑指纹。ECFP 通过半径扩展收集子结构环境，生成哈希位串；MACCS 则基于预定义子结构字典。指纹计算快、可直接用于相似性搜索和传统机器学习，但哈希碰撞会丢失部分信息，且固定长度向量难以表达全新骨架。

二、联合表征中的输入形式与融合位置

把六类表示放进同一个模型时，常见做法是“多分支编码 + 融合层”。序列分支处理 SMILES，图分支处理分子图，几何分支处理 3D 构象，指纹分支作为全局向量直接拼接。融合可以发生在早期（输入级拼接）、中期（交叉注意力）或晚期（各自预测后集成）。选择哪种，取决于任务对局部子结构和全局形状的依赖程度。

以溶解度预测为例：若数据量小、分子骨架集中，ECFP + 随机森林往往已经很强；若需要区分同分异构体或立体异构体，则必须引入图或 3D 分支。再如靶点活性预测，药效团约束可以作为注意力偏置，引导模型关注与结合相关的官能团区域，而不是被无关骨架带偏。

三、主要局限与工程注意事项

• SMILES 的非唯一性：同一分子多种写法会导致序列分支学到“写法差异”而非“结构差异”。工程上常用 RDKit 的 MolToSmiles 做规范化，或使用随机 SMILES 增强提升鲁棒性。
• InChI 的版本差异：不同软件生成的 InChI 可能在立体层或电荷层不一致，跨库对齐时需固定生成工具与选项。
• 图表示的规模问题：大分子图节点数多，GNN 感受野有限，需配合子图采样或层次化池化。
• 3D 构象的不确定性：单一构象可能误导模型。实践中可采样多个构象做集成，或使用距离矩阵降低对绝对坐标的依赖。
• 药效团的抽象损失：药效团丢弃了部分原子级信息，适合粗筛，不适合精细区分相似化合物。
• 指纹的哈希碰撞：不同子结构可能映射到同一位，导致假阳性相似。可改用计数指纹或较短半径降低碰撞。

四、一个可操作的检查清单

理解这些表示的输入形式与局限，是后续设计联合表征架构、选择融合策略和排查性能瓶颈的基础。实际项目中，建议先用简单基线（如 ECFP + 树模型）确认数据质量，再逐步引入图、3D 和药效团分支，观察每一层表示带来的增益是否真实且可复现。