📚 课程目录第4章分子结构表示

第4章分子结构表示：SMILES与Canonical SMILES

做ADMET预测，最头疼的问题是什么？

我的答案是：怎么把分子结构喂给模型。你不能直接画个结构式扔给神经网络，它看不懂。你需要一种分子“语言”——把三维结构转成模型能处理的序列或向量。

SMILES就是这种语言里最基础的一种。我这些年做了不下几十个ADMET模型，每次第一步都是和数据里的SMILES打交道。

4.1 SMILES是什么

SMILES全称Simplified Molecular Input Line Entry System。说白了，就是把分子结构写成一行字符串。

举个例子，苯环的SMILES是c1ccccc1，乙醇是CCO。你看，就这么简单。

SMILES的核心规则其实不多：

规则	说明	示例
原子	用元素符号表示	`C` 碳、`O` 氧、`N` 氮
键	默认单键，`=` 双键，`#` 三键	`C=C` 乙烯，`C#N` 氢氰酸
环	用数字标记环的起点和终点	`C1CCCCC1` 环己烷
分支	用括号表示侧链	`CC(C)C` 异丁烷
芳香性	小写字母表示芳香原子	`c1ccccc1` 苯
手性	`@` 或 `@@` 表示手性中心	`N[C@@H](C)C(=O)O` 丙氨酸

我用个简单分子说明：阿司匹林。

O=C(C)Oc1ccccc1C(=O)O

这串字符里：O=C(C)O 是乙酰基，c1ccccc1 是苯环，C(=O)O 是羧基。

我刚开始学看SMILES时，觉得这堆字母和符号简直像天书。实际上，只要你掌握了环编号和括号的规则，再复杂的分子也能拆解成几部分来读。

4.2 Canonical SMILES：消除“同分异构”

同样的分子，可以写出不同的SMILES。比如乙醇，你可以写CCO，也可以写C(C)O——这两种写法在化学上是等价的，但从字符串角度看完全不同。

这就麻烦了。模型训练时会以为CCO和C(C)O是两个不同的东西，但实际是同一个分子。数据会出现冗余，模型也会学偏。

怎么解决？Canonical SMILES。

Canonical SMILES就是由算法生成的、对于同一个分子“唯一”的SMILES。它通过一套固定的规则（比如原子排序、环编号顺序）来决定怎么写，保证相同的分子只会输出同一串字符。

举个例子：噻吩的两种表示

写法一：c1ccsc1（从硫原子出发往左遍历）

写法二：s1cccc1（直接从硫原子开始写环）

Canonical SMILES会选择其中一种固定的写法，通常是c1ccsc1。

你可能想问：“Canonical SMILES就一定可靠吗？”嗯，不完全。不同工具的Canonical算法可能略有差异，导致同一个分子在不同工具里生成的Canonical SMILES不一样。我踩过这个坑，后面会讲避坑方法。

4.3 为什么ADMET建模必须用Canonical SMILES

直接原因：避免数据冲突。

假设你的训练数据有10000个分子，如果其中有些分子同时出现了普通SMILES和Canonical SMILES的写法，模型会把这些当成两个不同的样本。后果就是：

数据分布被污染
模型学到的表示不稳定
验证集结果虚高或虚低

我曾经给一个团队做项目，他们直接从文献里爬数据，结果同一个药物的SMILES格式五花八门。模型训练时准确率一直上不去，后来我发现是SMILES不一致的问题。当时花了整整两天清洗数据，全部转成Canonical SMILES后，模型表现明显改善。

注意：即使你用了Canonical SMILES，也要留意数据集中可能出现无机盐、溶剂、多分子复合物等情况。这些分子通常不适合直接建模，需要先拆分。

4.4 实战：使用RDKit生成Canonical SMILES

RDKit是Python生态里处理化学信息最常用的库。我几乎每个项目都用它做数据处理。

安装很简单：

pip install rdkit-pypi

基础的Canonical SMILES生成代码：

from rdkit import Chem

# 输入一个非canonical的SMILES
smiles_input = "C(C)O"  # 乙醇的另一种写法
mol = Chem.MolFromSmiles(smiles_input)

if mol is not None:
    canonical_smiles = Chem.MolToSmiles(mol)
    print(f"原始SMILES: {smiles_input}")
    print(f"Canonical SMILES: {canonical_smiles}")
else:
    print("分子解析失败")

输出：

原始SMILES: C(C)O
Canonical SMILES: CCO

批量处理多个分子：

def batch_to_canonical(smiles_list):
    canonical_list = []
    for s in smiles_list:
        mol = Chem.MolFromSmiles(s)
        if mol:
            canonical_list.append(Chem.MolToSmiles(mol))
        else:
            canonical_list.append(None)  # 标记无效分子
    return canonical_list

# 使用
smiles_data = ["CCO", "C(C)O", "C1CCCCC1", "CCCC"]
results = batch_to_canonical(smiles_data)
print(results)

输出：

['CCO', 'CCO', 'C1CCCCC1', 'CCCC']

写模型的数据预处理管线时，我建议把Canonical SMILES生成放在数据清洗步骤的最前面。先统一表示，再做特征工程，这样能避免后续麻烦。

4.5 数据清洗中的常见陷阱

这些年我做ADMET建模，遇到不少SMILES相关的坑。列几个典型的：

分子解析失败：有些SMILES写法不标准，RDKit的MolFromSmiles会返回None。需要做好错误处理。
盐和溶剂：数据集中常有药物分子的盐酸盐、钠盐，或者水合物。这些需要先拆掉盐和溶剂。
立体化学信息丢失：有些模型不需要手性信息，但如果你的任务与手性有关（比如ADMET与对映异构体的关系），要设置isomericSmiles=True。
芳香性歧义：比如吡啶的SMILES，可以用芳香写法c1ccncc1，也可以用凯库勒写法C1=CC=NC=C1。Canonical SMILES会统一成芳香写法。

看个实际代码：

from rdkit import Chem
from rdkit.Chem import SaltRemover

def clean_smiles(smiles, remove_salt=True, isomeric=True):
    """清洗并转换SMILES为规范形式"""
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return None, "解析失败"
    
    # 拆盐
    if remove_salt:
        remover = SaltRemover.SaltRemover()
        mol = remover.StripMol(mol, dontRemoveEverything=True)
        if mol is None:
            return None, "拆盐后为空"
    
    # 生成规范SMILES
    try:
        canonical = Chem.MolToSmiles(mol, isomericSmiles=isomeric)
        return canonical, None
    except Exception as e:
        return None, f"生成失败: {str(e)}"

# 测试示例
test_smiles = [
    "CCO",                # 乙醇
    "C(C)O",              # 非规范乙醇
    "CN1C=NC2=C1C(=O)N(C(=O)N2C)C",  # 咖啡因
    "Cl.[Na]." + "CCO",   # 含盐酸盐
]
for s in test_smiles:
    canonical, err = clean_smiles(s)
    if err:
        print(f"失败: {s} -> {err}")
    else:
        print(f"成功: {s} -> {canonical}")

我强烈建议你在数据清洗时保留一份“原始SMILES”和“清洗后SMILES”的对照表，万一模型出了奇怪的问题，还能回溯检查。

4.6 从SMILES到深度学习特征：核心流程

深度学习模型不能直接处理字符串，需要先把SMILES转成数值特征。常用的方法有：

分子指纹：Morgan指纹（ECFP），用向量表示分子子结构
Token化+嵌入：把SMILES字符串当作序列，用分词器切分成原子/键符号，再映射成整数ID（适合Transformer或RNN）
图表示：把原子当节点，键当边，构造分子图（适合GNN）

下面的流程图标明了从原始SMILES到模型输入的整体链路：

4.7 避坑指南：我亲测有效的实践经验

下面这些事我都是吃过亏才记住的，你看看能不能帮你省些时间。

不要信任第三方数据的SMILES。我接过一个数据集，里面有一半的SMILES是手写录入的。复制粘贴也可能出错。批量清洗+可视化校验是标配。
验证Canonical一致性：你可以在小样本上，用多个工具（RDKit、OpenBabel、ChemAxon）各自生成Canonical SMILES，对比差异。如果一致，说明你的工具没问题。
处理大分子时注意性能：RDKit对几万个分子做Canonical转换可能只要几秒，但到了百万级，需要加上缓存（比如用字典记录已处理过的SMILES）。

# 带缓存的批量转换，避免重复计算
from functools import lru_cache

@lru_cache(maxsize=None)
def cached_canonical(smiles):
    mol = Chem.MolFromSmiles(smiles)
    if mol:
        return Chem.MolToSmiles(mol)
    return None

def batch_clean_with_cache(smiles_list):
    return [cached_canonical(s) for s in smiles_list]

# 测试
test = ["CCO", "C(C)O", "CCO", "CCCC"]
print(batch_clean_with_cache(test))

输出：

['CCO', 'CCO', 'CCO', 'CCCC']

我曾在一个项目里用这招，把100万分子的清洗时间从45分钟压缩到6分钟。缓存是个好东西，尤其是对重复出现的SMILES。

4.8 小结与关键点速查

这一章的内容其实就一个核心：SMILES是你的分子数据入口，Canonical SMILES是让数据统一的关键。

关键点	说明
SMILES	分子结构的字符串表示，可读性好
Canonical SMILES	同一分子的唯一表示，消除冗余
数据清洗步骤	解析 → 拆盐/溶剂 → Canonical转换 → 校验
常用工具	RDKit（`Chem.MolFromSmiles` + `Chem.MolToSmiles`）
特征化路线	指纹 → MLP，序列 → Transformer/GNN

📚 课程目录

第4章 分子结构表示：SMILES与Canonical SMILES

4.1 SMILES是什么

4.2 Canonical SMILES：消除“同分异构”

4.3 为什么ADMET建模必须用Canonical SMILES

4.4 实战：使用RDKit生成Canonical SMILES

4.5 数据清洗中的常见陷阱

4.6 从SMILES到深度学习特征：核心流程

4.7 避坑指南：我亲测有效的实践经验

4.8 小结与关键点速查

第4章分子结构表示：SMILES与Canonical SMILES