📚 课程目录第1章 SMILES基础

1. SMILES 基础：从字符串到分子结构

说实话，SMILES 这玩意儿看起来就是一堆乱码。我第一次接触时，盯着CCO看了半天，心想这能代表乙醇？后来才明白，它其实就是把分子结构“压扁”成一行文本。说白了，SMILES 是一种用 ASCII 字符描述分子拓扑结构的规范。你不需要画图，不需要三维坐标，一行字符串就能完整表达一个分子。

1.1 SMILES 表示法简介

SMILES 的全称是 Simplified Molecular Input Line Entry System，由 David Weininger 在 1980 年代提出。它的核心思想很简单：用深度优先遍历的方式，把分子结构图转化为线性字符串。

我习惯把 SMILES 比作“分子结构的简谱”。五线谱虽然精确，但传播成本高；简谱虽然抽象，但传播效率极高。SMILES 就是化学信息学里的简谱。

来看一个最直观的例子：

# 乙醇的 SMILES
CCO

# 乙烷的 SMILES
CC

# 乙烯的 SMILES
C=C

嗯，这里要注意：C 代表碳原子，O 代表氧原子，= 代表双键。原子默认按照价态补足氢原子——这就是 SMILES 能这么紧凑的原因。

SMILES 的核心原则：非氢原子显式写出，氢原子根据价态隐式补全。

1.2 原子与键的编码规则

SMILES 对原子的编码遵循化学元素周期表的大写-小写规则。单字母元素大写，双字母元素首字母大写、第二字母小写。我开始时就栽过跟头——把Cl写成了CL，结果解析器直接报错。

元素	SMILES 表示	说明
碳	C	标准四价，默认补足 4 个氢
氮	N	标准三价，默认补足 3 个氢
氧	O	标准二价，默认补足 2 个氢
氯	Cl	双字母，首字母大写
溴	Br	双字母，首字母大写
硫	S	标准二价，默认补足 2 个氢
磷	P	标准三价，默认补足 3 个氢

键的编码规则更简单：

单键：默认不写，原子直接相邻
双键：用 = 表示
三键：用 # 表示
芳香键：用小写字母表示，如 c 代表芳香碳

个人习惯：我写芳香化合物时，一定把小写字母和双键交替表达区分开。苯环写成 c1ccccc1 而不是 C1=CC=CC=C1，虽然两者都合法，但小写版本更符合化学直觉。

1.3 分支与环的表示

线性分子还好说，遇到分支和环，SMILES 就需要更复杂的语法了。我在项目中处理过最大规模的分支结构——一个天然产物分子含有 15 个分支点。如果没有规范的括号嵌套，解析起来非常痛苦。

分支用圆括号表示。括号内的内容属于侧链，括号后的内容回到主链。你可以嵌套多层括号，就像数学表达式一样。

# 异丙醇 (Isopropanol)
CC(O)C

# 叔丁醇 (tert-Butanol)
CC(C)(C)O

# 丙氨酸 (Alanine)
CC(N)C(=O)O

为什么会这样？因为 SMILES 的遍历算法是深度优先——先走主链，遇到分支就递归进入括号，分支走完再回到分叉点继续。你想想看，这和计算机里树的遍历算法一模一样。

环用数字标记。环的断开点用相同数字标记，数字成对出现。

# 环己烷
C1CCCCC1

# 苯
c1ccccc1

# 环丙烷
C1CC1

# 双环结构（十氢萘）
C1CCC2CCCCC2C1

我曾经被一个同事坑过：他在一个 SMILES 里同时出现了 %10 和 %11，结果 %1 和 %10 的解析优先级冲突了。记住，用 % 前缀表示两位数及以上的环编号，避免与单数字编号混淆。

环编号可以重复使用——不同的环用不同的数字。遇到螺环或桥环，需要小心规划环编号的顺序。我建议你画个草图再写 SMILES，不然很容易出现“想当然”的错误。

下面我用一张图把 SMILES 的构成要素梳理一下：

我常跟团队说：“SMILES 就是化学领域的 JSON。”结构化的、自描述的、容易被程序解析的。你把原子当成 JSON 的键，把化学键当成键值对之间的连接关系，分支就是嵌套对象，环就是引用关系。越琢磨越觉得它设计得精巧。

避坑指南：SMILES 的解析器有很多实现——Open Babel、RDKit、CDK 等。不同解析器对非规范 SMILES 的处理可能不同。我坚持使用 canonical SMILES（规范化 SMILES）来避免歧义。RDKit 的 Chem.MolToSmiles() 默认输出 canonical 版本，值得信赖。

嗯，到这里 SMILES 的基础知识就铺垫完了。原子怎么编码、键怎么表示、分支和环怎么处理，这些是后续一切数据增强操作的地基。下一篇我们就要开始动手了——用 Python 配合 RDKit 把 SMILES 转成分子对象，再探索各种数据增强的策略。记住，扎实的基础比花哨的技巧更重要。