4. 去除盐和溶剂分子（Desalting）——给分子“卸妆”

嗯，聊到这一步，我想大家应该已经习惯了 SMILES 里那些“不干净”的东西。说实话，从公开数据库（比如 ChEMBL、PubChem）或者供应商那边拿到的分子结构，很少是“纯”的。它们常常带着盐、溶剂分子、结晶水。这就像你收到一份测序样本，结果里面混着 buffer 和 stabilizer——直接上机跑，结果肯定是一团糟。

为什么要专门讲去盐？因为我吃过这个亏。有一次我跑一个基于指纹的相似性搜索，结果跑出来一堆乱七八糟的分子。查了半天，发现是 SMILES 里带了 NaCl，指纹计算全被那个“Na”带偏了。说白了，盐和溶剂就是噪音。我们必须给分子“卸妆”，把真正的核心结构剥离出来。

4.1 为什么要去盐？——这不是洁癖，是原则

你想想看，如果你要训练一个分子性质预测模型，输入是 CCCO.CC(=O)O（丙醇+醋酸），模型会学到什么？它会学到“这个分子有-OH、有-O-、有-COOH”，但这其实是两个分子。真实活性是基于哪个成分的？不知道。这就引入了不可控的歧义。

去盐的核心价值有三个：

• 保证结构完整性：只保留药效团，去掉干扰物。
• 提升数据一致性：同样一个药物分子，可能有盐酸盐、硫酸盐、磷酸盐形式。去掉后统一成游离碱或游离酸，方便对比。
• 避免计算误差：盐离子会影响 logP、MW 等描述符的计算，也会让分子图变得复杂无比。

4.2 检测盐和溶剂的“定位”方法

我个人习惯在做任何预处理之前，先跑一遍“成分检测”。SMILES 支持通过 .（点号）连接多个组分。如果 SMILES 里包含两个点号连接的片段，那大概率就有盐或溶剂。

# 示例：含盐的 SMILES
Cn1c(=O)c2c(ncn2C)n(C)c1=O.[Na]    # 咖啡因的钠盐？不对，实际上是咖啡因 + Na⁺
O=C(O)c1ccccc1.NC(CO)(CO)CO        # 苯甲酸 + 三羟甲基氨基甲烷（Tris buffer）
CC(C)CC.CCCCCC                      # 异戊烷 + 己烷（纯溶剂混合物）

注意，点号不代表任何化学键，它只是表示“这些分子在同一个体系里共存”。因此，我们可以用正则表达式或者 RDKit 的 SanitizeMol 来拆解这些片段。

4.3 去盐的常用策略

去盐不是无脑删。我总结了三步策略：

1. 拆解组分：用 . 切分 SMILES，得到组分列表。
2. 识别盐/溶剂：根据预定义规则（小分子离子、常见溶剂、金属离子）标记每个组分。
3. 保留主体：通常保留最重的那个有机片段，或者保留所有非盐非溶剂的片段。

为什么强调“通常”？因为有时候药物分子本身就是电解质（如季铵盐），这时候保留阳离子部分反而会丢失结构。我个人习惯用“分子量 + 元素组成 + 官能团”综合判断。

类型	常见例子	处理方法
无机盐	NaCl, KCl, MgSO₄	直接移除
有机酸盐	CH₃COO⁻, HCOO⁻	根据 pH/电荷判断是否移除
质子化溶剂	H₂O, CH₃OH, DMSO	一般移除（除非是结晶溶剂）
目标分子本身就是盐	四甲基铵氯化物	保留阳离子部分，删除反离子

4.4 实战：用 RDKit 和自定义规则去盐

好，我们来写点代码。我最常用的方法是用 RDKit 的 SaltRemover 和 GetMolFrags。

from rdkit import Chem
from rdkit.Chem import SaltRemover

def desalt_smiles(smiles, remove_defn_file=None):
    """
    去盐函数：移除常见无机盐和溶剂
    :param smiles: 输入的 SMILES 字符串
    :param remove_defn_file: 自定义盐/溶剂定义的 SMARTS 文件路径
    :return: 去盐后的 SMILES，如果只剩盐则返回 None
    """
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return None, 'Invalid SMILES'

    # 使用 RDKit 内置的 SaltRemover
    remover = SaltRemover.SaltRemover(defnData=remove_defn_file)
    frags = remover.StripMol(mol, dontRemoveEverything=True)
    # StripMol 会返回一个包含所有剩余片段的 Mol 对象
    clean_smi = Chem.MolToSmiles(frags, isomericSmiles=True)
    return clean_smi, 'Desalted'

# 使用默认的盐定义
print(desalt_smiles('CC(=O)O.[Na]'))  # 应该输出 CC(=O)O
print(desalt_smiles('CCO.CCOC'))      # 乙醇+乙醚，两个都是溶剂，怎么办？

注意上面第二个例子：CCO.CCOC（乙醇+乙醚），它们都是溶剂。RDKit 默认不会把它们当作“盐”移除。这时候需要自定义规则。

4.5 构建自定义盐/溶剂字典

我曾经历过一次痛苦：处理一批从 PubChem 下载的分子，里面含有大量的 H₂O、CH₃OH、DMSO。RDKit 的默认盐库不覆盖这些。后来我建了一个自定义 SMARTS 文件。

# 自定义溶剂 / 离子定义（保存为 custom_salts.smarts）
# 格式：SMARTS pattern, 类型注释
[OH2],water
[CH3]O,methanol
CS(=O)C,DMSO
[Na+];[Cl-],salt
[K+];[Cl-],salt
[NH4+];[Cl-],salt

然后用这个文件初始化 SaltRemover：

def desalt_custom(smiles):
    remover = SaltRemover.SaltRemover(defnData='custom_salts.smarts')
    mol = Chem.MolFromSmiles(smiles)
    if mol:
        clean = remover.StripMol(mol, dontRemoveEverything=True)
        return Chem.MolToSmiles(clean)
    return smiles

from rdkit.Chem import Fragments

def desalt_by_frags(smiles, max_mw=80.0):
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return None
    frags = Chem.GetMolFrags(mol, asMols=True)
    kept = []
    for f in frags:
        mw = Descriptors.MolWt(f)
        # 如果分子量大于阈值，或者包含氨基酸残基，保留
        if mw > max_mw or has_organic_core(f):
            kept.append(f)
    if not kept:
        return None
    # 合并保留的片段，通常只有一个主体
    combined = Chem.CombineMols(*kept) if len(kept) > 1 else kept[0]
    return Chem.MolToSmiles(combined)

4.6 避坑指南

我曾经在一个项目中，直接把所有含金属的片段都删了。结果发现有一类分子是金属有机配合物（比如钌催化剂），它们的中心金属是活性必需部分。所以，去盐不能一刀切。

• 不要删除共价结合的金属：比如 c1ccc([Ru]c2ccccc2)cc1，这个 Ru 是配位在环上的，不是游离盐。
• 注意异构体标记：去盐后，如果主体结构有手性中心，SMILES 末尾的 @ 或 @@ 不能丢掉。
• 晶体水 vs 结晶溶剂：晶体水（.[H]O[H]）有时候是维持晶型必需的，但在计算模型里通常是噪音。除非你研究晶体结构预测，否则删了没问题。
• 检查点号数量：一个 SMILES 里点号过多（比如超过 5 个），很可能是聚合反应混合物，不适合用简单去盐处理。

4.7 整体流程可视化

下面这张图总结了我平时处理 SMILES 去盐的完整逻辑。你看，从输入到输出，每一步都在做“筛子”。

这个流程看着长，其实写成一个函数也就十几行。关键就在于那个“匹配盐/溶剂字典”的判断节点。字典的好坏，直接决定了去盐的精度。

4.8 总结一些实用建议

去盐这件事，说难不难，说容易也容易踩坑。我最后再说几点：

• 先跑一遍统计：看看你的数据集里有多少 SMILES 包含点号。如果超过 30%，去盐就是绕不过的预处理步骤。
• 不要迷信默认字典：RDKit 内置的盐库覆盖了常见的无机离子，但溶剂和水需要自己补充。我建议把你自己数据集里出现的、不想要的片段手动加进去。
• 保留日志：每次去盐后，对比一下去盐前后的分子数。如果损失率超过 5%，可能需要检查是否误删了有效分子。