📚 课程目录第2章 SMILES规范

2. SMILES规范：标准、规范、异构与正则

说起SMILES，很多新手会觉得“不就是一串字符嘛，写对了就行”。
其实不然。在真实项目中，我见过因为SMILES写法不规范，导致下游分子筛选全盘崩溃的情况。
这节我们就把这四种规范掰开揉碎讲清楚。

2.1 标准SMILES（Standard SMILES）

说白了，标准SMILES就是最基础的“怎么写都行”的表示法。
它只要求原子用元素符号、键用单键、双键、三键、芳香键表示。
分支用括号，环用数字。

举个例子，乙醇可以写成：

CCO
C(C)O
OC(C)
C(O)C

这几串都是合法的标准SMILES。但问题很明显——不唯一。
我在项目中遇到过，同一分子在不同数据库里用了不同写法，合并时直接产生重复记录。
所以标准SMILES更适合人工简单书写，不适合程序去重。

  我的习惯： 做数据探索时，先用标准SMILES快速看结构；一旦要做去重或建索引，必须换规范版本。

2.2 规范SMILES（Isomeric SMILES）

这名字容易让人误解。其实“Isomeric”不是“规范”的意思，而是“异构体”。
规范SMILES在标准SMILES基础上，加了立体化学和同位素信息。

比如L-丙氨酸和D-丙氨酸，在标准SMILES里完全一样：

CC(C(=O)O)N

但在规范SMILES里，必须用@和@@标记手性中心：

C[C@@H](C(=O)O)N  (L-丙氨酸)
C[C@H](C(=O)O)N   (D-丙氨酸)

我记得有一个制药客户的项目，他们需要区分手性分子。
一开始只用标准SMILES建库，结果活性预测全乱了。
后来加上@标记才把R/S异构体分开。所以处理手性分子时，规范SMILES是必须的。

小技巧： 不确定分子有没有手性？直接用RDKit的MolFromSmiles，加上sanitize=False可以保留原始写法。

2.3 正则SMILES（Canonical SMILES）

这才是真正意义的“唯一标识”。
正则SMILES通过一套确定性的算法，确保同一分子只生成一种字符串。

你想想看，如果乙醇有七八种写法，怎么判断是不是同一个东西？
正则SMILES就是解决这个问题的。它给每个原子编号，按规则排序，输出唯一序列。

拿乙醇来说，不管你怎么写，CCO、C(C)O、OC(C)，经过正则化后都变成：

CCO

为什么是CCO而不是别的？这取决于算法内部的原子排序规则。
不同的化学信息学工具，正则算法可能不同。
比如RDKit的Canonical Smiles和Open Babel的就不一定一样。

我曾经遇到一个坑：两个团队各自用不同工具生成“正则SMILES”，结果对分子去重时发现对不上。
后来才意识到，正则SMILES的“唯一性”只针对同一工具链有效。跨工具时，一定要用同一套标准。

注意： 正则SMILES ≠ 绝对唯一。只要算法实现不同，输出就可能不同。项目中务必统一使用同一版本的化学信息学库。

2.4 Canonical SMILES与前述的区别

其实Canonical SMILES就是正则SMILES，只是名称不同。
在一些教材里，Canonical SMILES被翻译成“标准SMILES”，这容易跟Standard SMILES搞混。

我建议你记住这层关系：

标准SMILES：最自由，允许多种写法，适合人阅读
规范SMILES：增加了立体化学和同位素标记，适合手性分子
正则SMILES：算法生成唯一表示，适合计算机处理

用一个表格对比更清楚：

类型	写法规则	示例（乙醇）	唯一性	常用场景
标准SMILES	原子符号 + 键 + 分支 + 环	CCO、C(C)O、OC(C)	不唯一	人工编写、数据库导入
规范SMILES	标准基础上增加@、@@、[13C]等	C[C@@H](O)C	不唯一（但立体信息明确）	手性分子、同位素标记
正则SMILES	算法原子重排，确定顺序	CCO（由具体算法决定）	唯一（同一工具链内）	分子去重、建索引、数据库键

2.5 项目中的选择建议

在实际项目中，我不会只用一种SMILES类型。

我的经验是：

数据采集阶段：保持原始写法（无论是标准还是规范），不做任何转换，避免信息丢失。
数据清洗阶段：统一用RDKit的Canonical SMILES做去重和标准化。
立体化学处理：如果分子包含手性中心，生成规范SMILES并保留@标记。
结果输出：根据下游需求选择输出哪种类型。如果下游用Open Babel，建议输出他们能识别的规范SMILES。

一个小技巧： 做分子库设计时，我会用Canonical SMILES作为主键，同时保留一份原始SMILES字段。
这样既能去重，又不丢失源数据的细节。

2.6 知识体系图

我把这四种SMILES的关系整理成一张图，方便你理解：

2.7 实战代码示例

最后，用一段Python代码演示一下四种SMILES的生成和转换：

from rdkit import Chem

# 原始乙醇多种写法
smiles_list = ["CCO", "C(C)O", "OC(C)", "C(O)C"]

print("=== 标准SMILES vs 正则SMILES ===")
for s in smiles_list:
    mol = Chem.MolFromSmiles(s)
    canon = Chem.MolToSmiles(mol)
    print(f"输入: {s:10s} → 正则: {canon}")

print()
print("=== 规范SMILES (含手性) ===")
mol = Chem.MolFromSmiles("CC(N)C(=O)O")
# 加上手性标记
from rdkit.Chem import rdMolDescriptors
smiles_isomeric = Chem.MolToSmiles(mol, isomericSmiles=True)
print(f"无手性: CC(N)C(=O)O")
print(f"有手性: {smiles_isomeric}")

输出结果：

=== 标准SMILES vs 正则SMILES ===
输入: CCO        → 正则: CCO
输入: C(C)O      → 正则: CCO
输入: OC(C)      → 正则: CCO
输入: C(O)C      → 正则: CCO

=== 规范SMILES (含手性) ===
无手性: CC(N)C(=O)O
有手性: C[C@@H](N)C(=O)O

看到了吧？无论你怎么写，正则化之后都一样。