📚 课程目录第3章 RDKit安装与基础操作

3. RDKit 安装与基础操作：环境配置、分子对象创建与 SMILES 转换

好，咱们开始第三章。这一章是整个ADMET特征筛选流程的基石——RDKit。说白了，没有RDKit，后面所有分子描述符的计算都是空谈。我当年刚入行时，为了配这个环境折腾了一下午，现在回想起来，其实大部分坑都能提前避开。

3.1 环境配置：你得先有把好用的刀

RDKit的安装，我强烈建议你通过Conda来管理。为什么？因为它的依赖链太长，用pip容易碰上一堆编译错误。我个人习惯用Miniconda，轻量，够用。

创建一个干净的环境，指定Python 3.10，稳得很。

conda create -n rdkit-env python=3.10
conda activate rdkit-env

然后直接安装RDKit。注意，别从默认通道装，从conda-forge拿，版本更新而且包更全。

conda install -c conda-forge rdkit

安装完成后，验证一下。

python -c "from rdkit import Chem; print(Chem.RDKFingerprint)"
python -c "import rdkit; print(rdkit.__version__)"

能正常输出，就说明装好了。如果报错，大概率是依赖冲突。嗯，这时别硬装，重新创建个环境试试。

【避坑指南】

我曾经在Windows上直接用pip install rdkit，结果编译了40分钟，最后报了个VC++错误。后来直接用conda install -c conda-forge rdkit，三分钟搞定。别跟自己过不去。

另外，为了后续可视化分子结构，顺手装上Jupyter和ipywidgets。

conda install -c conda-forge jupyter ipywidgets
conda install -c conda-forge matplotlib

【小提示】

用conda list | grep rdkit可以快速检查是否安装成功及版本号。别忘了在Jupyter里激活widgets：jupyter nbextension enable --py widgetsnbextension。

3.2 分子对象创建：从字符串到化学结构

环境配好，咱们开始上手干活。RDKit中最核心的对象就是Mol对象。你想想看，它就是一个分子在计算机里的“分身”。

3.2.1 从SMILES创建

最常见的方式，就用SMILES。我平时做数据清洗时，第一行代码永远是这玩意儿。

from rdkit import Chem

# 最简单的一个分子：乙醇
mol = Chem.MolFromSmiles("CCO")
print(mol)

输出应该是，说明创建成功了。如果返回None，那说明你这个SMILES有问题。我在项目中遇到过好几次，明明是标准的SMILES，结果RDKit就是不吃。后来发现是空格和换行符在捣乱——记得strip一下。

smiles_str = " CCO\n"
mol = Chem.MolFromSmiles(smiles_str.strip())
print(mol.GetNumAtoms())  # 输出3

3.2.2 从Mol文件载入

有时候数据是从供应商给的SDF或MOL文件里读出来的。RDKit也支持直接解析。

mol_from_file = Chem.MolFromMolFile("path/to/molecule.mol")
print(mol_from_file.GetNumAtoms())

也可以批量读SDF文件，这个在ADMET数据集处理里非常常见。

suppl = Chem.SDMolSupplier("path/to/compounds.sdf")
for mol in suppl:
    if mol is not None:
        print(mol.GetNumAtoms())

【核心要点】

创建Mol对象后，一定要先检查是否为None。我早期写脚本时，忘了检查，结果后续算描述符时直接崩溃。所以养成好习惯：if mol is not None: ...

3.3 SMILES与分子转换：读懂化学的通用语言

有了Mol对象，我们就可以在SMILES和其他表示形式之间自由切换了。这里有个坑，SMILES可能不唯一——同样的分子，写法可以千变万化。但RDKit可以帮你规范化。

3.3.1 向SMILES转换

从Mol对象生成SMILES，用MolToSmiles。这个函数默认会做一次规范化，帮你统一格式。

from rdkit import Chem

mol = Chem.MolFromSmiles("C1=CC=CC=C1")  # 苯环的SMILES
smiles_canonical = Chem.MolToSmiles(mol)
print(smiles_canonical)  # 输出 c1ccccc1

看到了吧？原来的大写C变成了小写c，位置也变了。这就是规范化的标准表示。

3.3.2 获得所有SMILES与原子SMILES

有时候你需要知道所有可能的SMILES表示，使用MolToSmiles的allBondsExplict等参数可以做到。或者用MolToRandomSmiles生成随机SMILES，用来做数据增强。

import random
from rdkit import Chem

mol = Chem.MolFromSmiles("CCO")
random_smiles = Chem.MolToRandomSmiles(mol, random)
print(random_smiles)  # 每次输出可能不同

更细粒度的是，你可以获取某个原子在SMILES中的对应位置——这在分析反应中心时极有用。

atom_smiles = Chem.MolFragmentToSmiles(mol, atomsToUse=[1])  # 只包含氧原子和它周围的键
print(atom_smiles)  # 输出 O

3.3.3 SMARTS与InChI转换

除了SMILES，RDKit还支持SMARTS（子结构模式）和InChI（国际化学标识）。

SMARTS常用于模式匹配。比如你想查所有芳香性碳原子：

pattern = Chem.MolFromSmarts("c")
mol = Chem.MolFromSmiles("c1ccccc1")
matches = mol.GetSubstructMatches(pattern)
print(len(matches))  # 输出6

InChI转换则更侧重唯一性标识：

inchi = Chem.MolToInchi(mol)
print(inchi)  # InChI=1S/C6H6/c1-2-4-6-5-3-1/h1-6H

mol_from_inchi = Chem.MolFromInchi(inchi)
print(Chem.MolToSmiles(mol_from_inchi))  # c1ccccc1

这下明白了吧？SMILES、SMARTS、InChI这三兄弟，各有各的用处。我个人习惯是：日常处理用SMILES，模式匹配用SMARTS，需要全球唯一标识时用InChI。

【实战经验】

我在做ADMET数据清洗时，经常用InChI来去重。两个SMILES看起来一样，但写法不同，用字符串比较就失效了。转成InChI后再比较，保证唯一性。

3.4 本章知识结构图

我把这一章的核心逻辑画成了一张图，方便你从高处理解。

3.5 基础操作与常用技巧

再往后看，Mol对象创建好了，怎么用它做点事情？这里列几个我每天都会用到的操作。

3.5.1 原子与键的遍历

mol = Chem.MolFromSmiles("CCO")
for atom in mol.GetAtoms():
    print(atom.GetAtomicNum(), atom.GetSymbol(), atom.GetDegree())

for bond in mol.GetBonds():
    print(bond.GetBondType(), bond.GetBeginAtomIdx(), bond.GetEndAtomIdx())

3.5.2 添加氢原子与计算分子式

mol = Chem.MolFromSmiles("CCO")
mol_h = Chem.AddHs(mol)  # 显示所有氢
print(mol_h.GetNumAtoms())  # 9（原来的3个原子+6个H）

formula = Chem.rdMolDescriptors.CalcMolFormula(mol)
print(formula)  # C2H6O

3.5.3 分子可视化（在Jupyter中）

from rdkit.Chem import Draw

mol = Chem.MolFromSmiles("CCO")
img = Draw.MolToImage(mol, size=(300, 300))
display(img)  # Jupyter中显示

【经验总结】

RDKit的API非常统一：用MolFrom*创建，用MolTo*转换。记住这个原则，后面学描述符计算时顺风顺水。

好了，这一章的内容就到这。环境配好了，分子能创建能转换了，下一步我们就可以开始真正计算ADMET描述符了。这条路，咱们一步步趟。