📚 课程目录第4章分子预处理

分子预处理：标准化、去重、去除盐离子、质子化状态调整

好，咱们进入正题。分子预处理，说白了就是把原始数据里的“毛刺”都剃干净。你想想看，从公开库、实验室、合作方拿到的分子结构，常常格式混乱、重复、带着乱七八糟的离子……直接扔进虚拟筛选，结果就是一锅粥。我刚开始做这块时，就吃过这个亏——跑了三天的大规模对接，最后发现一半分子根本就是重复的，另一半因为质子化状态不对，结合能全算偏了。嗯，从那以后，我再也不敢跳过预处理了。

下面我会按四个关键步骤展开：标准化、去重、去除盐离子、质子化状态调整。每一步我都给你讲清楚为什么做、怎么做，以及常见坑。

4.1 标准化

标准化的目标只有一个：让所有分子用同一种语言说话。比如硝基，有的文件写 N(=O)=O，有的写 N(=O)O，还有的写成 [N+](=O)[O-]……不同表示方式的硝基，在对接打分函数里会得到完全不同的结果。标准化就是把这些差异统一掉。

我个人习惯用 RDKit 的 SanitizeMol 或者 Open Babel 的 –canonical 选项。下面给个简单的 Python 示例：

from rdkit import Chem

def standardize_smiles(smiles):
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return None
    # 标准化：包含芳香性、价键、电荷、同位素等
    Chem.SanitizeMol(mol)
    # 输出标准 SMILES
    return Chem.MolToSmiles(mol)

# 示例
print(standardize_smiles("c1ccccc1"))   # 苯
print(standardize_smiles("N(=O)=O"))   # 硝基

标准化不只是 SMILES 格式统一，还包括：
芳香性表示：Kekulé vs 交替单双键
显式/隐式氢：比如 CH3 与 C(显式 H)
立体化学标记：@ 与 @@ 的规范
同位素：有些库会把碳-12 写成 [12C]，有些写 [C]

如果忽视这些，后面的去重和对接都会出问题。

4.2 去重

去重听起来简单，但实际操作时很坑。你以为 SMILES 一样就是同一个分子？不一定。我遇到过同一个化合物，因为不同供应商给的 SMILES 用不同价键方式，导致 RDKit 解析后互相不认为相等。

推荐做法：先用标准化，再用 InChI 或规范 SMILES 做键值去重。 InChI 是一种更稳健的分子标识符，对互变异构体也有处理。

from rdkit import Chem

def deduplicate_mols(mol_list):
    seen = set()
    unique = []
    for mol in mol_list:
        inchi = Chem.MolToInchi(mol)
        if inchi and inchi not in seen:
            seen.add(inchi)
            unique.append(mol)
    return unique

小提示：如果你的分子库非常大（比如几百万），用 Python 列表去重会很慢。我通常用 pandas 的 drop_duplicates 配合 InChI 列，或者直接对 SDF 文件用 obabel 做预处理：obabel input.sdf -O output.sdf -d（-d 表示去重）。

4.3 去除盐离子

虚拟筛选的靶点通常只结合中性有机分子。如果一个 SDF 文件里写了“CCO.[Na+]”，对接时对接口袋里嵌着一个钠离子，这个打分能靠谱吗？

所以，必须去掉盐离子、溶剂分子、金属离子。常见做法是用 RDKit 的 SaltRemover，或者手动定义黑名单。

from rdkit.Chem import SaltRemover

remover = SaltRemover.SaltRemover()
mol = Chem.MolFromSmiles("CCO.[Na+]")
cleaned_mol = remover.StripMol(mol)
print(Chem.MolToSmiles(cleaned_mol))  # 输出：CCO

我个人习惯用 Open Babel 做批量处理，特别是处理上百万条记录时：

obabel huge.sdf -O stripped.sdf --remove salt

注意：去除盐离子后，原来配合的阴离子（如 Cl⁻、NO₃⁻）也会被去掉。如果你的分子本身就带负电（比如羧酸根），千万不要把因电荷平衡而存在的钠盐去掉后，还保留羧酸根的形式——应当先做质子化调整（见 4.4），让分子在生理 pH 下保持正确电荷，再去掉多余的反离子。

4.4 质子化状态调整

这个步骤我认为是预处理里最容易翻车的一环。同一个分子，在中性 pH 和酸性 pH 下，谷氨酸可能带负电（去质子化），组氨酸可能带正电（双质子化）……对接打分函数是基于固定 pH 的力场参数，如果电荷状态错了，结合能可以差好几个数量级。

我建议使用 计算 pKa 的方法来确定每个可电离基团在目标 pH（一般设为 7.4）下的主要形式。常用工具包括：

工具	原理	适合场景
RDKit + pKa 模型	基于局部结构经验规则	快速粗筛，几百万分子
Open Babel –p pH	调用内置 pKa 数据库	中等规模，命令行友好
MoKa / ChemAxon	高精度 QSPR 模型	精细筛选，几百到几千分子
Dimorphite-DL	深度学习 pKa 预测	新兴方法，无商业许可问题

下面是用 Open Babel 做质子化调整的命令示例（pH 7.4）：

obabel input.sdf -O protonated.sdf --correct \
    --addpolarhydrogen --ph 7.4

如果用 RDKit + Dimorphite-DL，可以这样：

from dimorphite_dl import DimorphiteDL
from rdkit import Chem

def adjust_protonation(smiles, ph=7.4):
    dl = DimorphiteDL()
    result = dl.protonate(smiles, ph=ph)
    mol = Chem.MolFromSmiles(result[0])
    return mol

别忘了终检查和可视化：处理完后，我习惯随机抽样 100~200 个分子，用 PyMOL 或 RDKit 的 Draw.MolToImage 看一眼质子化形式是否正确。特别是那些含组氨酸、半胱氨酸、巯基的特殊分子。

本章核心流程图

下面这张图总结了分子预处理的标准流程，以及各步骤的主要工具和输出：

实用流水线建议：如果分子量超过一千万，我推荐直接写一个 Bash 脚本串联 Open Babel 命令，配合 parallel 并行处理。Python 脚本虽然灵活，但在 IO 和内存管理上不如原生 C++ 工具快。我曾经用 RDKit 处理 500 万分子，内存直接爆了；换成 obabel 分批处理，只用了 3 小时。

总结

这四个步骤——标准化、去重、去除盐离子、质子化调整——是大规模虚拟筛选绝对不能跳过的预处理环节。跳过任何一个，后面的对接结果都可能被污染。我个人经验是，花在预处理上的时间，至少要占整个 pipeline 开发时间的 20%。

最后再啰嗦一句：预处理完一定要做质控。至少跑一次小规模验证——拿几百个分子对接，检查结果是否符合化学直觉。如果发现离谱的得分，大概率是前面某个步骤出了问题。