📚 课程目录第3章分子表示基础

分子表示基础：SMILES、分子图与分子指纹

做计算化学的人，天天跟分子打交道。但计算机不认识结构式，它只认数字和符号。所以呢，我们需要一套方法，把分子“翻译”给机器看。

这就引出了三种最主流的分子表示方式：SMILES字符串、分子图和分子指纹。说白了，它们是同一分子的不同“语言版本”。

SMILES字符串：化学结构的“直线代码”

SMILES全称是Simplified Molecular Input Line Entry System。我个人习惯把它叫做“一行式分子描述”。它用一个字符串，把原子、键、分支、环全部编码进去。

举个例子，乙醇长这样：

CCO

苯环呢？

c1ccccc1

你看，数字1表示成环的起点和终点。小写c表示芳香碳，大写C表示脂肪碳。规则就这么直接。

我在项目中遇到过最头疼的事——SMILES的写法不唯一。同一个分子，不同工具生成的结果可能有差异。比如水杨酸，有人写OC(=O)c1ccccc1O，有人写成c1ccccc1C(=O)OO。这时候你需要正则化或者用Canonical SMILES统一格式。

小技巧：RDKit提供了 MolToSmiles(mol, canonical=True)，能帮你获得标准化字符串。我每次处理SMILES前，都会先跑一遍正则化，省掉一大堆后续匹配问题。

分子图：原子的“社交网络”

你想想看，一个分子不就是一张图吗？原子是节点，化学键是边。这就是分子图的概念。每个节点携带特征（原子类型、电荷、芳香性等），每条边也带特征（键型、共轭状态等）。

为什么需要分子图？因为图神经网络（GNN）直接吃这个结构。SMILES只是一维文本，对GNN来说信息太稀薄了。

拿苯酚举例，它的分子图有三个关键要素：

要素	含义	苯酚示例
节点特征	原子种类、度、电荷、芳香性	C（sp2）、O（sp3）、H
边特征	键级、共轭、环内	单键、芳香键
邻接矩阵	哪个原子和哪个原子相连	6元环+1个侧链

构建分子图时，记得做标准化。我曾经因为没处理氢原子，导致图里有大量度为1的氢节点，GNN模型训练起来又慢又笨重。后来我改成了分子图显式无氢模式，模型收敛速度直接翻倍。

避坑指南：有些数据库保存的分子图是“隐式氢”，有些是“显式氢”。不统一的话，图卷积的结果就会跑偏。你最好在数据预处理阶段就定好策略，要么全显式，要么全去除。我一般默认不去氢，但特征里会加一个“度”字段，让模型自己学会该关注什么。

分子指纹：从结构到二进制向量

如果说SMILES是文字描述，分子图是拓扑结构，那分子指纹就是一套哈希后的特征向量。它的核心思路是：把分子结构“压缩”成一串固定长度的二进制位（比如1024位），每一位代表某种子结构是否存在。

最常见的两种指纹：

Morgan指纹（ECFP）：基于原子半径的圆形子结构枚举。半径2的ECFP4应用最广。
MACCS指纹：166个预定义的结构键，专门用于药物化学。

我项目里最常用的是ECFP4，因为它能在相似性搜索和活性预测中给出非常稳定的结果。你可以在RDKit里这样生成：

from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles('CCO')
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=1024)
print(fp.ToBitString())

输出是一串0和1，比如：

0000010000100010000000000010000100000000001000000100000000010000000000100000010000000000001000000000000000000000000000100000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000

你看，大部分位是0，只有少数位置是1。这些1就代表分子中存在的特定子结构。

三种表示方式的分工：SMILES适合存储和交换，分子图适合深度学习模型，分子指纹适合快速相似性计算。在MoleculeNet数据集中，三者都会用到，我一般把它们组合使用。

三种表示的实战对比

选哪种？要看具体任务。我整理了个表格，帮你快速决策：

维度	SMILES	分子图	分子指纹
数据维度	1D（字符串）	2D（拓扑图）	1D（位向量）
可读性	人眼可读	需要可视化	不可读
存储效率	极高（字符串）	中等（邻接表）	高（固定位长）
计算相似度	慢（需转图）	慢（图编辑距离）	极快（Tanimoto）
深度学习输入	需Token化 + 嵌入	直接给GNN	需展平或MLP

嗯，这里要注意。MoleculeNet数据集中大部分任务提供了SMILES，你要自己决定怎么转。我个人习惯是：先保持SMILES原始格式做预处理，需要用图的时候现场构建。因为分子图占用内存太大，一整个数据集转成图会吃掉几个GB。

性能建议：如果你要做大规模相似性搜索，试试把指纹转成numpy数组，用scipy.spatial.distance.cdist批量计算。我测试过，1000个分子对300万数据库的Tanimoto搜索，只用不到1秒。

写代码的时候，别忘了检查SMILES是否合法。我见过太多脏数据了，比如一个Cl写成CL、漏了括号、环号不匹配等。用Chem.MolFromSmiles(smi)返回None就要果断过滤掉，不要硬转。

做到了这一步，你就掌握了分子表示的核心工具。这也是后面所有分子性质预测、图网络建模的基石。