1. SMILES基础：表示法、原子符号、键类型、分支、环、芳香性
SMILES 这个东西，我最早接触是在做药物分子筛选的时候。当时看到一堆字符代表一个分子，觉得挺神奇。后来自己写解析器踩了不少坑，才真正理解它到底怎么设计的。说白了，SMILES 就是一种用 ASCII 字符描述分子结构的线性表示法。你给它一串字符串，它就能还原成原子和键的连接关系。核心就几个规则，我来一个一个拆开讲。
1.1 SMILES 表示法：基本思想
SMILES 全称 Simplified Molecular Input Line Entry System。它的思路很简单：按深度优先顺序遍历分子图，把原子符号、键符号和分支括号串起来。遇到环就打个数字标签标记，遇到芳香环就用小写字母。整个字符串就是一棵展开的树。
记住一点：SMILES 本身不保证唯一性。同一个分子可以写出多个合法的 SMILES。但规范化的正则化算法（比如 Weininger 算法）能帮你生成唯一的标准形式。我在项目中遇到过两次重复注册的案例，就是因为没有做规范化。
1.2 原子符号
原子符号直接用元素周期表的缩写。大写字母开头，如果是有机元素（C、N、O、S、P、F、Cl、Br、I），连方括号都不用。其他元素必须用方括号括起来。
| 类型 | 示例 | 说明 |
|---|---|---|
| 常见有机元素 | C, N, O, S |
直接写，不带方括号 |
| 卤素 | F, Cl, Br, I |
直接写，但不含 At |
| 其他元素 | [Fe], [Na], [Au] |
必须用方括号 |
| 同位素或电荷 | [13C], [O-] |
方括号内可加同位素质量和电荷 |
嗯，这里要注意：方括号不是只给过渡金属用的。有机物若带了非默认价态或同位素，也得加。比如 C 默认四价，但如果你要表示一个带正电的碳正离子，就得写 [C+]。
我习惯在写自定义脚本时，先用 from rdkit import Chem 把 SMILES 解析一遍，看看原子符号是否合法。你想想看，万一写了个 [Si] 但忘了大写 S，解析器直接报错，排查半天才发现。
1.3 键类型
SMILES 里键用符号表示，放在两个原子之间。默认不写键时，表示单键（包括分支连接）。
- 单键：不写，或者用
-。例如CC就是乙烷，C-C也是乙烷。 - 双键：
=。例如C=C是乙烯。 - 三键：
#。例如C#N是氢氰酸。 - 四键：
$。极少见，主要用于过渡金属配合物。
我曾经在写合成路线自动生成工具时，遇到过一个坑：SMILES 里默认连接是单键，但很多人写芳香环时漏了上下键，结果解析出来变成了环己烷而不是苯。后来我在代码里加了一个 SanitizeMol 步骤才解决。
1.4 分支
分支用圆括号表示。括号里的内容挂在它前面的原子上。可以嵌套。举个例子：
CC(C)C 异丁烷
C(C)(C)C 也是异丁烷，写法不同
O=C(O)C 乙酸（C=O 连接 OH 和 CH3）理解分支的关键是：括号里的内容相当于是一个侧链，它从当前原子出发，写完再回到主干继续往下。我记得第一次手动解析分支时，用栈实现深度优先遍历，嵌套层数一多就容易搞混。递归才是正道。
注意括号不能少写半边！我曾经在批量清洗数据时，因为一行 SMILES 缺少右括号导致整个解析中断。建议用 Chem.MolFromSmiles 时包裹 try-except，做好异常处理。
1.5 环
环的表示是 SMILES 的一大亮点。用数字做标签，表示两个相同数字的原子上有一条额外的连接。数字从 1 开始，依次递增。例如：
C1CCCCC1 环己烷（6个碳，1号标签连接首尾）
C1=CC=CC=C1 1,3-环己二烯
c1ccccc1 苯（小写 c 表示芳香碳）你想想看，为什么不用 C1CCCCC1 而要用 c1ccccc1？因为芳香性影响了电子结构和反应活性。后者是芳香环，前者只是饱和环。
我建议在一个分子里，环的数字标签不要重复使用。如果有多个环，可以用 1, 2, 3…… 直到 9。超过 9 个则需要用 % 加两位数，比如 %10。其实很少碰到超过 9 个环的分子，但写解析器时还是要兼容。
1.6 芳香性
这是最容易混淆的地方。SMILES 里芳香原子用小写字母表示：c、n、o、s 等。注意不是 C 大写才是芳香，而是小写字母本身表示该原子参与芳香体系。例如：
c1ccccc1 苯（6个芳香碳）
c1ncncn1 三嗪（3个碳和3个氮交替）
c1ccoc1 呋喃（氧不芳香，但碳是芳香）关键在于：小写字母自动隐含了单键/双键交替的凯库勒结构，但实际连接是离域的。在规范化 SMILES 时，RDKit 会把芳香环转成小写，非芳香环转为大写。我在做虚拟筛选时，输入数据里混着大小写混合的 SMILES，比对指纹时发现完全对不上，就是因为芳香性表示不一致。
一个实用技巧：用 Chem.MolFromSmiles 解析后，再用 Chem.MolToSmiles 输出，就能得到标准形式。比如输入 C1=CC=CC=C1 输出的是 c1ccccc1。这就是规范化的效果。
1.7 知识体系结构图
1.8 一个完整的示例
我们拿阿斯匹灵（阿司匹林）来实战。它的结构式是邻乙酰水杨酸。我经常用它作测试用例，因为同时包含芳香环、单键、双键、分支、羧基和酯基。两种合法的 SMILES：
CC(=O)Oc1ccccc1C(=O)O 非规范形式
O=C(C)Oc1ccccc1C(=O)O 另一种顺序用 RDKit 规范化一下：
from rdkit import Chem
s = "CC(=O)Oc1ccccc1C(=O)O"
mol = Chem.MolFromSmiles(s)
std = Chem.MolToSmiles(mol)
print(std) # 输出类似 O=C(C)Oc1ccccc1C(=O)O注意：Chem.MolFromSmiles 可能因为括号不匹配或环标签重复而返回 None。写自动化脚本时，一定要做 if mol is None 的检查，否则后续调用会崩掉。我吃过这个亏，跑了三天的数据分析，结果因为一条脏数据导致整个 pipeline 中断。
1.9 小结
SMILES 的基础规则其实不多：原子符号、键类型、分支、环、芳香性。但组合起来能表达几乎任何有机分子。我个人认为，熟练掌握这些规则是后续做数据清洗和增强的前提。你如果能手动写出常见分子的 SMILES，写解析器和生成器就更容易理解。
嗯，最后留个小练习：试试写出咖啡因的 SMILES。它有三个环、双键和多个氮原子。写出来后再用 RDKit 验证一下，看看和你预想的是否一致。