📚 课程目录第1章 SMILES简介与化学语言基础

1. SMILES 简介与化学语言基础

说起 SMILES，可能有人觉得它只是串字符，但在我眼里它简直就是分子的「身份证号」。当年我第一次接触它，就被这种用一行文本描述三维结构的能力震住了——说白了，SMILES 就是化学家写给计算机看的分子速记法。

1.1 为什么需要 SMILES？

做药物发现的人都知道，我们天天跟分子结构打交道。早期存结构要么画图，要么用 mol 文件，但都不方便做序列化处理。我参与过一个虚拟筛选项目，需要把 300 万个小分子拿去跑模型，如果用文件格式传，光 IO 就卡死你。用 SMILES 就不一样了，一行字符串，轻量、可哈希、可拼接，简直是给 ML 喂数据的天然格式。

简单说，SMILES（Simplified Molecular Input Line Entry System）是一套规则，它把原子、键、分支、环、立体构型全部编码成 ASCII 字符。你想想看，一个CC(=O)O 就知道是乙酸，多直观。

1.2 原子表示

SMILES 的原子表示很直接：

有机元素：直接写元素符号，如 C、O、N、S。碳默认是 sp³ 饱和，但我个人习惯在写杂原子时一定检查化合价，否则容易闹笑话——我曾有个同事把CN写成C#N，结果氰根变成了胺，这个错误让模型训了三天才发现，嗯，教训深刻。
方括号表示非有机原子：比如 [Na]、[Cl-]、[Fe+2]。带电荷、同位素、手性标记都必须放方括号里。
芳香碳：小写 c 表示苯环上的碳。我刚开始老搞混大小写，后来养成了习惯：看到环里是 c 就默认为芳香，C 是脂肪碳。

使用 RDKit 验证 SMILES 合法性是个好习惯。一行

from rdkit import Chem; m = Chem.MolFromSmiles(s)

就能快速排雷。

1.3 键的类型

键的表示也很简单直白：

符号	键型	示例
-	单键	C-C（实际上可省略，直接写 CC 也行）
=	双键	C=O
#	三键	C#N
:	芳香键	c1ccccc1（自动推断）

注意，单键通常省略不写，比如乙醇 SMILES 是 CCO 而不是 C-C-O。在我做数据清洗时，遇到过一些不规范写法把单键全写上了，其实也能解析，但会增大序列长度，建议标准化时去掉不必要的减号。

1.4 分支与括号

分支用圆括号表示。括号里的原子表示连接在前一个原子的侧链上。举个例子：

CC(C)C        # 异丁烷，中间C连接一个甲基分支
C(C)(C)C      # 新戊烷，中心C连接三个甲基
CCOC(=O)C    # 乙酸乙酯，括号内是羰基的双键分支

我曾在处理一个大环分子时，括号层级嵌套到 5 层，肉眼根本读不出来。后来我写了个递归遍历函数帮自己检查括号匹配——相信我，用任何编程语言写个简单的括号栈校验，都能省掉你手动排查的几小时。

1.5 环的表示

环是 SMILES 最巧妙的发明之一。它用数字标记前后两个连接点，表示成环：

C1CCCCC1        # 环己烷，数字1标记两个环连接点
c1ccccc1         # 苯环，六个芳香碳组成环
C1=CC=CC=C1      # 1,3-环己二烯，双键与单键交替

环数字的规则：每个数字必须成对出现；若一个分子有多个环，不能重复使用相同数字（除非是相互作用的环，通常用 % 扩展，如 C%12%）。

我踩过的坑：环数字排序不能乱。比如有两个环，一个用 1，另一个用 2，但如果你把第一个环的第二次出现数字写成了 2，机器不会报错，实际上会创建错误连接。我的一次虚拟筛选结果烂了一半就是因为这个，后来强制用 RDKit 的 CanonSmiles 标准化才解决。

1.6 知识体系总览

下面这张图把 SMILES 的核心组成串了起来：

1.7 一个完整的例子：阿司匹林

看个真实分子——阿司匹林（乙酰水杨酸）的 SMILES 是：

CC(=O)Oc1ccccc1C(=O)O

拆解一下：

CC(=O)O — 乙酰基部分：C-C(=O)-O
c1ccccc1 — 苯环，1 标记成环
C(=O)O — 羧基连接在苯环上

我当年最开始读这个串的时候，要看半天才捋清楚连接关系。后来用 RDKit 绘制结构图，边看边拆，很快就习惯了。现在看到任何长度<200 的 SMILES，几乎能下意识画出结构。

在实际项目中，SMILES 处理的第一步永远是 标准化：去除多余括号、统一环数字、转化为规范形式。RDKit 的 Chem.MolToSmiles(mol, canonical=True) 是首选工具。

1.8 容易踩的坑

忘记方括号：有机物中的非有机元素（如Cl, Br）要写 [Cl], [Br]，不能直接 Cl（会被解析成碳+氮）——我曾经把氯代烷写成 ClCC，结果模型当成了 C l C C，训出来的性质完全不对。
环数字顺序错乱：一个分子有多个环时，数字必须按出现顺序分配。RDKit 的 canonical 化能自动重排，但如果你自己手动写 SMILES，务必遵守规则。
氢原子显式与隐式：SMILES 默认省略碳上的氢，但季铵盐或带电荷的氮必须显式写成 [NH4+] 。我之前处理一批胺类化合物时，没注意质子化状态直接扔进模型，结果 pKa 预测全乱了。

好了，这一节就是这样。SMILES 说简单很简单，说到底就是一套用 ASCII 字符编码分子结构的规则。但要想在实际应用中少掉坑，理解它的底层逻辑比你背一百条规则管用。我强烈建议你拿几个自己熟悉的分子，手写 SMILES 然后在 RDKit 里来回转换，很快就门清了。