四、分子表示：SMILES、InChI、分子指纹（Morgan、MACCS）

好，咱们进入第四章节。做AI药物发现，第一步要解决的问题很实在——怎么把分子“喂”给模型？

毕竟计算机看不懂结构式，它只认数字和字符串。所以分子表示法，说白了就是搭一座桥，把化学结构翻译成机器语言。

我个人认为，这块儿是整个Pipeline的地基。地基不稳，后面模型再花哨也白搭。

4.1 SMILES —— 最流行的“分子字符串”

SMILES，全称是简化分子线性输入规范。你把它当成分子的“身份证号”就行了。但它比身份证号灵活，同一个分子能写出好几种合法的SMILES。

举个例子——苯酚，它的SMILES可以是c1ccc(cc1)O，也可以是Oc1ccccc1。两个都对，但模型看了可能以为是两个东西。这就很头疼了。

那怎么办？标准做法是用规范化SMILES。把分子拿给RDKit洗一遍，统一成标准形式，再输入模型。一段简单的Python代码可以搞定：

from rdkit import Chem

smiles_list = ["c1ccc(cc1)O", "Oc1ccccc1"]
canonical = [Chem.MolToSmiles(Chem.MolFromSmiles(s)) for s in smiles_list]
print(canonical)  # 两个都变成 'c1ccc(cc1)O'

嗯，这样就保证唯一性了。

4.2 InChI —— 比SMILES更“硬核”的标准

SMILES虽然方便，但毕竟是人写的，难免有歧义。InChI呢？它是国际纯粹与应用化学联合会搞出的官方标准，用一套严格算法生成，保证全局唯一。

你看InChI长这样：

InChI=1S/C6H6O/c7-6-4-2-1-3-5-6/h1-5,7H

这里面包含了分子式、连接性、氢原子位置等信息。虽然读起来没SMILES直观，但在数据交换、专利检索、数据库去重这些场景，它的唯一性无可替代。

特性	SMILES	InChI
可读性	高（人能看懂）	低（全是代码）
唯一性	需规范化	严格保证
标准化	多种方言	IUPAC官方标准
转换速度	快	稍慢（算法复杂）
适用场景	日常建模、训练	数据去重、数据库

4.3 分子指纹 —— 把分子变成机器学习能吃的向量

字符串表示，终究还是要人读的。模型最爱的，其实是定长数值向量。分子指纹就是干这个的。

你想象一下，一个分子可以用一串0和1来表示，每个位置对应某种结构片段或拓扑特征。两个分子的相似度，可以直接用向量的点积来算。这多方便！

4.3.1 Morgan 指纹

Morgan指纹，又叫ECFP（扩展连通性指纹）。它的核心理念是：从每个原子出发，逐层扩展邻域，生成圆形子结构的哈希。

参数就两个：半径（圈几层邻居）、位数（最终向量的长度）。半径2是默认的，也就是ECFP4。

from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles("c1ccc(cc1)O")
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=2048)
bits = list(fp)  # 得到一个长度为2048的0/1列表
print(bits[:20])  # 看看前20位是啥

为什么会用2048位？其实就是个折中。位太少，哈希碰撞多；位太多，内存开销大，而且稀疏度太高对模型也不友好。2048是行业里试出来的平衡点。

4.3.2 MACCS 指纹

MACCS指纹，也叫公共骨架指纹。它预定义了166个子结构特征，比如“是否有羧基”、“是否有苯环”等。一个分子如果含有某个特征，对应位就是1。

说实话，MACCS的化学意义更直接，但它有个硬伤——只覆盖166个特征，很多新颖的结构它抓不到。

特点	Morgan (ECFP4)	MACCS
特征类型	自学习拓扑特征	预定义结构特征
特征数量	可调（如2048位）	固定166位
对新结构的敏感度	高（自动扩展）	低（依赖模板）
可解释性	中（子结构不直观）	高（每个位对应已知基团）
计算速度	中	快

4.4 实战 —— 用RDKit生成各类表示

光说不练假把式。咱们用RDKit把上面讲的东西串起来，跑一个完整示例。

from rdkit import Chem
from rdkit.Chem import AllChem, MACCSkeys
from rdkit.Chem.inchi import MolToInchi

# 读入分子
smiles = "COc1ccc(CC(=O)N(C)C)cc1"
mol = Chem.MolFromSmiles(smiles)

# 1. 规范化SMILES
canonical_smiles = Chem.MolToSmiles(mol)
print("SMILES:", canonical_smiles)

# 2. InChI
inchi = MolToInchi(mol)
print("InChI:", inchi)

# 3. Morgan指纹（ECFP4, 2048位）
morgan_fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=2048)
print("Morgan bits count:", len(morgan_fp))

# 4. MACCS指纹（166位）
maccs_fp = MACCSkeys.GenMACCSKeys(mol)
print("MACCS bits count:", len(maccs_fp))

# 5. 组合两种指纹
combined = list(morgan_fp) + list(maccs_fp)
print("Combined feature length:", len(combined))

你有没有发现一个小细节？MACCS和Morgan指纹都是0/1二值向量，但它们的语义完全不同。MACCS是一张“预设检查表”，勾选已知基团；Morgan则是自动学习的局部结构“印象”。两者互为补充。

4.5 如何选择表示方法？

很多新手会问，到底用哪种最好？我的回答是——看场景。

• 分子相似性搜索：Morgan指纹（ECFP4）是标配。速度快，效果也好。
• ADMET预测/QSAR：推荐组合使用Morgan+MACCS。我曾在一个毒性预测项目里试过单用Morgan，准确率在83%晃，加上MACCS后到了89%。
• 数据去重/数据库合并：InChI哈希值做唯一键，比SMILES靠谱太多。
• 可解释性需求：当业务方问你“为什么预测这个分子有毒”，你可以用MACCS指给他们看——哦，因为含有某个特定基团。