分子结构表示基础：SMILES、InChI、分子图与常用分子格式

做QSAR建模的你想想看，手上一堆化合物，第一步要干什么？

把分子结构变成机器能读的格式。这件事说起来简单，但坑不少。我在刚接触这行时，就因为在SMILES里少写了一个括号，整个模型训出来全是乱的。嗯，从那天起我对分子表示就特别较真。

今天咱们把三种主流的分子表示方式聊透：SMILES、InChI、分子图。顺便把常用文件格式和互转工具也捋一遍。这些东西是QSAR建模的“地基”，地基不稳，上面再漂亮的模型也是白搭。

---

1. SMILES：最流行的线性表示法

SMILES 全称是 Simplified Molecular Input Line Entry System。说白了，就是用一串ASCII字符表示一个分子。简单、紧凑、人眼也能读。

基本规则不复杂：

• 原子：用元素符号表示，有机元素可省略氢（C、O、N等），其他元素用方括号括起来，比如 [Au] 表示金。
• 键：单键不写，双键写 =，三键写 #。
• 分支：用圆括号 (...) 表示支链。
• 环：用数字标记环的起始和终点。
• 芳香性：小写字母表示芳香原子，比如 c1ccccc1 表示苯环。

举个例子：乙醇的SMILES是 CCO。对，就这么简单。但换到复杂分子就考验人了。

看一下常见分子的SMILES表示：

化合物	SMILES	说明
甲烷	C	单个碳原子，氢省略
乙醇	CCO	直链，OH 写作 O
苯	c1ccccc1	芳香环，小写 c
阿司匹林	CC(=O)Oc1ccccc1C(=O)O	含分支和环的典型例子

用RDKit生成SMILES很简单：

from rdkit import Chem

mol = Chem.MolFromSmiles("CC(=O)Oc1ccccc1C(=O)O")
smiles_canonical = Chem.MolToSmiles(mol, canonical=True)
print(smiles_canonical)
# 输出: CC(=O)Oc1ccccc1C(=O)O

2. InChI：标准化分子身份证

SMILES虽然好用，但有个致命问题——同一个分子可以有多种写法。比如硝基苯，有人写 c1ccc(cc1)[N+](=O)[O-]，有人写 [O-][N+](=O)c1ccccc1。在数据库里这就成了两个“不同”的分子，你说头疼不头疼？

InChI（International Chemical Identifier）就是来解决这个问题的。它由IUPAC制定，是一种分层级的标准化标识符。同一个分子，不管从哪个工具生成，只要符合标准，结果完全一样。

InChI的结构长这样：

InChI=1S/C2H6O/c1-2-1/h1-2H,3H2

这个字符串里包含了：

• 版本号：1S 表示标准版
• 分子式：C2H6O
• 连接层：/c1-2-1 表示骨架连接关系
• 氢原子层：/h1-2H,3H2 描述氢的位置和数量

更常用的是 InChIKey——对InChI做哈希压缩得到的27字符定长字符串。适合做数据库索引和网络检索。

用RDKit生成InChI也很直接：

from rdkit import Chem
from rdkit.Chem import rdMolDescriptors

mol = Chem.MolFromSmiles("CCO")
inchi = rdMolDescriptors.MolToInchi(mol)
inchikey = rdMolDescriptors.MolToInchiKey(mol)
print(inchi)      # InChI=1S/C2H6O/c1-2-1/h1-2H,3H2
print(inchikey)   # LFQSCWFLJHTTHZ-UHFFFAOYSA-N

3. 分子图：从化学结构到数学表达

SMILES和InChI都是字符串，但QSAR模型真正需要的是数值化的输入。分子图就是把分子转成图结构——原子是节点，化学键是边。

一个分子图 G = (V, E) 包含：

• V：节点集合，每个节点对应一个原子，附带原子类型、电荷、杂化状态等特征。
• E：边集合，每条边对应一个化学键，附带键类型（单、双、三、芳香）等特征。

分子图最常见的数值化形式有两种：

表示方式	维度	说明
邻接矩阵 A	n × n	A[i][j] = 1 表示原子 i 和 j 之间有键，否则为 0。加权时可用键类型数值。
特征矩阵 X	n × d	每个原子的 d 维特征向量，包含原子序数、价电子数、形式电荷、是否在环中等信息。

用RDKit提取分子图信息：

from rdkit import Chem
from rdkit.Chem import rdmolops
import numpy as np

mol = Chem.MolFromSmiles("CCO")
n_atoms = mol.GetNumAtoms()
adj = rdmolops.GetAdjacencyMatrix(mol)
print("邻接矩阵:\n", adj)

# 提取原子特征
for atom in mol.GetAtoms():
    print(f"原子 {atom.GetIdx()}: 原子序数={atom.GetAtomicNum()}, "
          f"形式电荷={atom.GetFormalCharge()}, 度={atom.GetDegree()}")

4. 常用分子格式与互转

实际项目中，分子数据不会乖乖地只存在一种格式。我经手的项目里，从ChEMBL下载的是SDF，从PubChem拿到的是SMILES，合作方给的又是MOL2。格式互转是基本功。

几种最常见的格式：

格式	特点	典型用途
SDF	支持多个分子，含属性字段	数据库导出、虚拟筛选结果存储
MOL2	包含原子类型、电荷、杂化状态	分子对接、力场参数化
PDB	三维坐标为主，含蛋白质/配体复合物	结构生物学、分子动力学
MOL	SDF的前身，单分子格式	单个分子结构存储
InChI	文本格式，标准化标识	跨数据库分子匹配

RDKit 几乎能搞定所有常见格式的互转：

from rdkit import Chem
from rdkit.Chem import AllChem

# SMILES -> SDF
mol = Chem.MolFromSmiles("CCO")
Chem.MolToMolFile(mol, "ethanol.mol")

# SDF -> SMILES
supplier = Chem.SDMolSupplier("compounds.sdf")
for mol in supplier:
    if mol is not None:
        print(Chem.MolToSmiles(mol))

# SMILES -> MOL2 (需要三维坐标)
mol = Chem.AddHs(mol)
AllChem.EmbedMolecule(mol, AllChem.ETKDG())
Chem.MolToMol2File(mol, "ethanol.mol2")

5. 格式选择的小建议

关于格式选择，我个人的经验是：

• 数据交换：优先用SMILES + InChIKey 双保险。SMILES方便人读，InChIKey方便去重和比对。
• 存储三维结构：用SDF或MOL2。SMILES不含坐标，InChI也不含。做分子对接或构象分析时，必须用含坐标的格式。
• 长期归档：建议同时保存SDF（含属性）和InChI（标准化标识）。几年前我有个项目的数据只用SMILES存，换了RDKit版本后标准化结果变了，差点丢了一批化合物的匹配。吃一堑长一智，现在我都双备份。
• 序列化/缓存：用Python的 pickle 直接存RDKit的 Mol 对象，读写最快，但不跨语言。

三种表示方式各有各的用武之地。SMILES胜在轻量，InChI赢在标准，分子图强在可以直接喂给模型。具体选哪个，看你的下游任务。但有一点我特别想强调：不管用哪种，入库前一定要做标准化和校验。这是我在无数个debug夜晚之后得出的最朴素的结论。