分子表示基础：SMILES、InChI、分子图、3D坐标的表示方法与互转

做分子生成，第一个门槛就是“怎么描述一个分子”。

你想想看，计算机不认识结构式，它只认字符串和数字。所以我们需要把化学结构翻译成它听得懂的语言。SMILES、InChI、分子图、3D 坐标——这四种表示法，基本覆盖了所有场景。我个人习惯是：初期建模用 SMILES，数据库存 InChI，图神经网络用分子图，对接或构象分析用 3D 坐标。但互转的时候经常踩坑，今天我们就逐个拆开讲清楚。

SMILES——最常用的线性表示

SMILES 全称 Simplified Molecular Input Line Entry System。说白了就是用一行 ASCII 字符描述分子连接关系。比如水的 SMILES：O，乙醇是 CCO，苯是 c1ccccc1。

规不规范，差别很大。我在项目中遇到过一版训练数据，同一个分子有的用 CCO，有的用 OCC，模型根本学不对。后来我强制用 RDKit 的 MolToSmiles 做 canonical 化，才把问题解决了。

SMILES 的语法很简单：原子用元素符号，单键省略，双键写 =，三键写 #，分支用括号，环用数字标记。比如环己烷：C1CCCCC1。

但注意两点：

• SMILES 不包含立体化学信息（除非用 @ 符号表示手性）
• 同一个分子可以有无数种 SMILES 字符串，必须规范化

InChI——国际化标识符

InChI（International Chemical Identifier）是 IUPAC 推的标准。跟 SMILES 比，它更严谨，层次化更强。怎么看 InChI 的格式？比如水的 InChI：

InChI=1S/H2O/h1H2

前面是版本和层数，后面是分子式和氢原子信息。InChI 还带一个哈希版本叫 InChIKey，固定 27 个字符，适合做数据库索引。

我个人习惯：对外发布数据时用 InChI，避免乱序歧义。但注意，InChI 转回结构时，RDKit 的速度比 SMILES 慢几倍，做大规模生成时尽量少用。

分子图——GNN的“母语”

图神经网络（GNN）处理分子，必须把分子转成图结构。节点是原子，边是化学键。每个节点可以包含原子类型、电荷、手性等特征；边可以包含键级、环信息等。

RDKit 里用 Chem.rdmolops.GetAdjacencyMatrix 拿到邻接矩阵，然后自己拼特征。但更推荐用 Chem.MolFromSmiles 之后直接遍历原子和键：

from rdkit import Chem
mol = Chem.MolFromSmiles('CCO')
for atom in mol.GetAtoms():
    print(atom.GetAtomicNum(), atom.GetSymbol())
for bond in mol.GetBonds():
    print(bond.GetBeginAtomIdx(), bond.GetEndAtomIdx(), bond.GetBondType())

分子图的好处是能直接喂给 GNN，不需要额外编码。但我做项目时发现，如果直接用 SMILES 的原子顺序建图，图的拓扑映射对不上标准的 InChI 编号，导致验证集准确率偏低。后来我改用 Chem.CanonicalRankAtoms 排序，问题才解决。

3D 坐标——真实空间位置

SMILES 和分子图没有三维信息。做分子对接、构象搜索、力场优化必须用 3D 坐标。常见格式：XYZ 文件和 SDF 文件。

XYZ 文件长这样：

3
water
O    0.0000   0.0000   0.1170
H    0.7570   0.0000  -0.4690
H   -0.7570   0.0000  -0.4690

SDF 更丰富，可以存性质、键类型、多分子。RDKit 从 SMILES 生成 3D 坐标的典型做法：

mol = Chem.MolFromSmiles('CCO')
mol = Chem.AddHs(mol)  # 加氢
AllChem.EmbedMolecule(mol, randomSeed=42)
AllChem.MMFFOptimizeMolecule(mol)  # 力场优化
print(mol.GetConformer().GetPositions())

这里有个坑：不加氢直接嵌入，坐标很离谱。我第一版 pipeline 就忘了这步，生成的分子大部分键长都异常。后来我加了一行 Chem.AddHs，效果立刻正常了。

互转：核心工具链与实战对比

实际工作中，这四种表示经常需要来回倒。核心工具还是 RDKit 和 Open Babel。下表总结常见互转场景和推荐方法：

转换方向	推荐方法	注意
SMILES → InChI	Chem.MolToInchi(mol)	确保 mol 是 Sanitize 后的
InChI → SMILES	Chem.MolFromInchi(inchi) → Chem.MolToSmiles(mol)	可能丢失立体信息
SMILES → 分子图	RDKit 原子/键遍历	建议用 canonical 原子顺序
SMILES → 3D 坐标	AllChem.EmbedMolecule + 力场优化	必须加氢
3D 坐标 → SMILES	先用 MolFromXYZ 或 SDF 读入，再 MolToSmiles	有损转换，注意环的感知
分子图 → SMILES	从邻接矩阵重建 mol 对象	需要原子类型、键级等完整特征

另外，我常用 Open Babel 做批量转换，尤其处理 SDF 和 XYZ 互转。命令行一行搞定：

obabel input.sdf -O output.xyz
obabel input.smi -O output.inchi --geninchi

但 Open Babel 的 SMILES canonical 跟 RDKit 不总是严格一致。我的建议是：pipeline 中从头到尾只用同一个工具，避免不一致。

代码整合示例：完整互转流程

下面这个函数展示从 SMILES 出发，生成 InChI、分子图特征、3D 坐标，并检查一致性：

def molecular_representation_pipeline(smiles):
    from rdkit import Chem
    from rdkit.Chem import AllChem, Descriptors
    
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        raise ValueError("Invalid SMILES")
    Chem.SanitizeMol(mol)
    
    # 1. SMILES canonical
    canonical_smiles = Chem.MolToSmiles(mol)
    
    # 2. InChI
    inchi = Chem.MolToInchi(mol)
    
    # 3. 分子图（节点特征：原子序数，边特征：键级）
    atoms = [atom.GetAtomicNum() for atom in mol.GetAtoms()]
    bonds = [(b.GetBeginAtomIdx(), b.GetEndAtomIdx(), int(b.GetBondTypeAsDouble()))
             for b in mol.GetBonds()]
    
    # 4. 3D 坐标（需要加氢）
    mol_h = Chem.AddHs(mol)
    AllChem.EmbedMolecule(mol_h, randomSeed=42)
    AllChem.MMFFOptimizeMolecule(mol_h)
    conf = mol_h.GetConformer()
    coords = conf.GetPositions()
    
    return {
        'canonical_smiles': canonical_smiles,
        'inchi': inchi,
        'num_atoms': len(atoms),
        'num_bonds': len(bonds),
        'coords_3d': coords
    }

# 测试
result = molecular_representation_pipeline('CCO')
print(result['canonical_smiles'])  # CCO
print(result['inchi'])             # InChI=1S/C2H6O/c1-2-3/h3H,2H2,1H3