📚 课程目录第4章分子表示方法

分子表示方法：SMILES、InChI、SELFIES、分子图表示

做ADMET预测的第一道坎，往往不是模型选什么，而是分子长什么样。数据进了模型，模型得看懂分子式、官能团、三维构象——但它只能吃数字。所以我们需要一种分子表示，把化学结构变成字符串或图，喂给神经网络。

我个人接触过的分子表示不下十种，但真正在工业界站稳脚跟的就四个：SMILES、InChI、SELFIES、分子图。它们各有脾气，用不对地方，模型精度直接掉十个点。今天我们就一个个拆开看。

4.1 SMILES：最老牌，坑也最多

SMILES（Simplified Molecular Input Line Entry System）是1988年提出来的。说白了，就是把分子结构压成一行字符串，用原子符号、分支括号、环标号来表示连接关系。

举个最简单的例子：乙醇（C₂H₅OH）写成 CCO。没错，SMILES里氢原子通常是隐式的，只写重原子骨架。

几个常见写法：
苯：c1ccccc1 或 C1=CC=CC=C1
手性中心：用 @ 或 @@ 表示方向
芳香键：小写字母（c）代表芳香碳

我在项目中遇到过一个大坑：同一分子的SMILES写法不唯一。比如2-丁醇可以写成CCC(C)O，也可以写成CC(C)CO，甚至带立体化学标记的版本。如果数据来源不同，模型就会以为这是两个分子。

注意：SMILES没有规范化的通用标准。即使使用RDKit的CanonicalSMILES，不同版本的RDKit产生的正规化结果也可能不同。建议在预处理时统一用同一工具、同一版本生成CanonicalSMILES，并在训练/推理流程中完全一致。

另外一个问题是：SMILES对无效语法几乎无防御。你随手写个CC(C，括号不闭合，解析器就崩了。我曾经在线上推理时因为一条脏数据导致整个批处理失败，排查了两小时才发现是SMILES里多了一个左括号。

4.2 InChI：标准化之王，但太啰嗦

InChI（International Chemical Identifier）是IUPAC搞的标准化方案。它分成很多层：主层、电荷层、立体化学层、同位素层……每层用 / 分隔。

比如乙醇的InChI：

InChI=1S/C2H6O/c1-2-3/h3H,2H2,1H3

你看，它显式写出了所有原子和氢（C2H6O），再用 /c 开头描述连接图，/h 描述氢原子位置。比起SMILES，它更完整，但也更冗余。

InChI的杀手锏是标准化。同一分子无论从什么途径生成，只要用同一InChI版本，结果一定是唯一的。这对数据库去重、分子精确匹配非常有用。

但InChI不适合直接作为模型输入。为什么？它太长，变化维度高，而且把氢原子展开后特征空间剧增。我尝试过把InChI当字符串用LSTM训练一个ADMET分类器，效果远不如SMILES。

使用建议：InChI更适合做分子匹配和数据库查重，不适合作为模型原始特征。如果非要用，可以提取InChI的子层（比如只取主层）或者用哈希映射压缩。

还有一个细节：InChI有固定长度限制吗？没有理论上限，但实际中多环大分子可能超过2000字符。你想想看，给模型喂这么长的序列，训练效率能好到哪去？

4.3 SELFIES：为机器学习而生的字符串

SELFIES（Self-Referencing Embedded Strings）是2019年由马里奥·克雷恩等人提出的。它专门为了解决SMILES的两大痛点：语法鲁棒性和表示唯一性。

SELFIES的核心思想是自引用：每个符号不仅表示原子或键，还隐含了下一步可以连接的符号类型。所以无论你生成什么字符串，解析器总能给出一个合法的分子（哪怕分子在化学上不稳定）。举个例子：

乙醇的SELFIES表示：
[C][C][O]

注意它是用方括号包围每一个原子，并用.或]跟上键信息。具体语法比这个复杂，但关键点在于：你不可能写出像 CC(C 这样的非法序列。

我记得第一次在项目中测试SELFIES生成时，故意插了几个随机字符，结果解析器依然输出了一个分子图——虽然是个奇怪的自由基，但至少没崩。对于管道中可能出现的脏数据，这简直救命。

SELFIES vs SMILES 核心对比

  特性SMILESSELFIES
语法鲁棒性低（非法字符串直接报错）高（任何字符串都能解析）
唯一性不保证（需规范化）保证（每个分子只有一个SELFIES）
可读性高（专家可一眼读出结构）中等（需要熟悉符号）
模型友好度一般（需要预处理）好（适合直接做序列模型）

特性	SMILES	SELFIES
语法鲁棒性	低（非法字符串直接报错）	高（任何字符串都能解析）
唯一性	不保证（需规范化）	保证（每个分子只有一个SELFIES）
可读性	高（专家可一眼读出结构）	中等（需要熟悉符号）
模型友好度	一般（需要预处理）	好（适合直接做序列模型）

不过SELFIES也有短板：它生成的字符串通常比SMILES长。比如乙醇SMILES是CCO，SELFIES是[C][C][O]，长度翻倍。对于大分子，序列长度会明显增长。另外，SELFIES目前社区工具不如SMILES成熟，RDKit虽然支持（自2019年后），但自定义算子可能不如SMILES丰富。

4.4 分子图表示：最自然，模型最爱的数据结构

说完字符串，聊聊分子图。分子本身就是一张图：原子是节点，化学键是边。所以分子图表示是最直观的方式，也是当前GNN（图神经网络）做ADMET预测的主流输入。

一个标准的分子图包含：

节点特征：原子类型、杂化状态、形式电荷、在环中否、芳香性、氢原子数等。常用One-Hot编码或向量化特征。
边特征：键类型（单键、双键、三键、芳香键）、是否立体、是否在环中，有时还加上键长或键角。
全局特征（可选）：分子量、LogP、环数等，可以通过全局池化加入。

举个例子，用RDKit生成一个分子的图结构：

from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles('CCO')
# 原子特征：原子序数、形式电荷、杂化类型等
atom_feats = []
for atom in mol.GetAtoms():
    feats = [
        atom.GetAtomicNum(),
        atom.GetFormalCharge(),
        atom.GetHybridization(),
        atom.GetIsAromatic(),
        atom.GetDegree(),
        atom.GetImplicitValence()
    ]
    atom_feats.append(feats)

# 边特征：键类型、立体化学等
edge_list = []
edge_feats = []
for bond in mol.GetBonds():
    u = bond.GetBeginAtomIdx()
    v = bond.GetEndAtomIdx()
    edge_list.append((u, v))
    edge_feats.append([
        bond.GetBondTypeAsDouble(),
        bond.GetIsAromatic(),
        bond.GetStereo()
    ])

注意：这里只是演示基本思路。实际项目中，特征工程需要精心设计。我建议把原子特征维度控制在50以内，边特征控制在10以内，否则GNN计算会变慢且容易过拟合。

避坑指南：我曾经在分子图中使用了太多冗余特征（比如把原子名称One-Hot到118维），结果模型训练时收敛极慢，而且对稀有元素（比如过渡金属）反而产生偏差。后来只保留了原子序数、度数、形式电荷、芳香性、环内标记，共5个特征，效果反而更好。记住：图特征不是越多越好。

4.5 四种表示方法的选择策略

下面这张图把四种表示方法的关系画清楚了：

概括一下我的选择攻略：

如果你用GNN做ADMET预测：首选分子图。把图结构作为模型输入，原子和键特征手工设计好，一般效果最好。
如果你用Transformer或RNN做序列预测：选SELFIES。它鲁棒性好，且唯一性保证免去了规范化烦恼。
如果你在做数据清洗、去重、数据库匹配：用InChI。标准化唯一，不怕同分异构体混淆。
如果只是快速查看结构：SMILES最直接，可读性强，但记得用CanonicalSMILES统一。

补充一点：在分子图表示中，原子编号和边顺序会影响GNN的排列不变性。建议在图卷积前对节点进行一次无关编号的归一化，或者直接使用对称不变的聚合函数（如sum、mean、max）。

最后提醒一句：无论选哪种表示方法，一定要做一致性检查。我曾经遇到过一个数据集，部分分子用SMILES表示，部分用InChI，混合喂给模型后精度直接掉到随机水平。统一数据表示格式，是ADMET预测工程中第一件要做的事。