4. SMILES语法错误检测：常见错误类型、括号不匹配、环数字错误、原子价错误

好，咱们直接切入正题。洗数据的时候，我最怕遇到什么？不是无效的SMILES，是那种“看起来像SMILES，但实际上是垃圾”的字符串。它不报错，但进了模型就是毒药。

所以，语法检查是清洗流程的第一道防火墙。我习惯把这步放在标准化之前——先把格式搞对，再去谈后续处理。

4.1 四种最常见的语法“坑”

根据我在项目中踩过的坑，SMILES的语法错误基本可以归纳为四大类。我列了个表，方便你对号入座：

错误类型	典型表现	严重程度
括号不匹配	'(' 没有对应的 ')' ，或者顺序错乱	致命
环数字错误	数字重复、缺失、未闭合	致命
原子价错误	碳连了5个键，氮连了4个单键	警告/重建
非法字符/拓扑	出现了 SMILES 标准之外的符号，或者括号内的分支逻辑冲突	致命

你想想看，括号不匹配和环数字错误属于“硬伤”，一旦出现，这个分子基本没法用。而原子价错误属于“软伤”——有时候你能解析，但结构不合理。

4.2 括号不匹配：我最常修的“结构性”问题

括号分支是SMILES的核心语法之一。它用来表示侧链。比如乙醇，正确的写法是 CCO。但如果是异丙醇，就变成了 CC(C)O。这里面的括号就是侧链的“开关”。

我见过的最常见的错误是这样的：

# 错误示例
C(N)CCO       # 括号虽然成对，但分支语义错误
CC(C(O)CC     # 左括号有两个，右括号只有一个——经典的不匹配

怎么检查？我个人的习惯是用栈（stack）来模拟解析器。从左往右读，遇到 '(' 就压栈，遇到 ')' 就弹栈。如果读完了栈还没空，或者中间弹出时栈是空的，那就报错。

代码其实很简单：

def check_brackets(smiles):
    stack = []
    for i, ch in enumerate(smiles):
        if ch == '(':
            stack.append(i)
        elif ch == ')':
            if not stack:
                return False, f"位置 {i} 处多余的右括号"
            stack.pop()
    if stack:
        return False, f"有 {len(stack)} 个未闭合的左括号，位置在 {stack}"
    return True, "括号匹配正常"

嗯，这里要注意。括号不匹配经常伴随着“环数字错误”一起出现。为什么呢？因为有些人在写环结构时，忘了闭合括号就直接上了数字。

4.3 环数字错误：看似简单，实则阴险

环数字是SMILES里用来表示环状结构的关键。比如苯环：c1ccccc1。那两个数字 1 就是匹配标志——它们告诉解析器：“这两个碳原子是连在一起的”。

规则其实很简单：数字必须成对出现，且不能重复使用同一个数字超过两次。

但实际数据里，经常出现这样的东西：

# 经典错误
C1CCCC1C       # 数字 1 只出现了一次，没有闭合
C1CC2CC1C2     # 数字 1 和 2 出现次数都是2次，但顺序混乱可能导致解析错误
C1CC1C1CC1     # 数字 1 出现了4次——OK，这其实合法，但非常容易写错

我建议你开发一个环数字计数器。思路就是：遍历整个字符串，遇到数字就记录下来，最后检查每个数字的出现次数是否为偶数（因为要成对）。

def check_ring_numbers(smiles):
    from collections import Counter
    # 提取所有数字字符（注意：SMILES中数字的取值范围通常是0-9）
    # 但更严谨的做法是考虑两位数的情况（比如 %10），这里先跳过
    digits = [ch for ch in smiles if ch.isdigit() and ch in '0123456789']
    count = Counter(digits)
    errors = []
    for d, cnt in count.items():
        if cnt % 2 != 0:
            errors.append(f"环数字 {d} 出现 {cnt} 次，不成对")
    if errors:
        return False, errors
    return True, "环数字匹配正常"

你以为这样就够了？不。还有一个隐藏点：数字不能放在括号内作为环闭合点。我记得有一回，一个合作方传过来的数据里全是 C(C1)CC1 这种——数字在括号里面，解析器直接给了个警告。后来一问，他们用的是某老旧软件生成的SMILES。

4.4 原子价错误：化学直觉层面的“违法”

原子价错误不像前两种那么“语法化”，它更偏向化学层面的语义错误。但作为一个清洗系统，你总不希望自己的模型去学那种“五个键的碳”吧？

常见的价键规则是这样的：

• 碳（C）：4价，但要注意芳香碳（c）是3价（大π键）
• 氮（N）：3价或5价（取决于带不带电荷）
• 氧（O）：2价
• 硫（S）：2、4或6价（比较灵活）
• 磷（P）：3或5价

但实际情况远比这复杂。比如三键氮（N≡N）——它看起来是3价，但其实每个氮还有一对孤对电子。

我一般会借助RDKit的 SanitizeMol 来做原子价检查。但说实话，直接用RDKit有时候会“容忍”一些奇怪的价态。所以我写了一个更严格的检查：

from rdkit import Chem

def check_valence(smiles):
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return False, "无法解析分子"
    try:
        Chem.SanitizeMol(mol)
        return True, "原子价正常"
    except Chem.ValenceException as e:
        return False, f"原子价错误: {str(e)}"

但RDKit的检查足够了吗？说句实话，不够。我曾经碰到过一个案例：SMILES是 O=CC=O，RDKit说它合法，但实际上乙二醛的氧原子在标准状态下是双键连着的，看上去没问题。可如果换成 OC=O（甲酸），也没问题。真正出问题的是什么？是那种你没有显式写氢，但原子价已经超标的。

说白了，原子价检查最好放在清洗流程的后期，在所有标准化处理（比如加氢、中和电荷）之后做。这样你得到的价态判断才准确。

4.5 一张图看懂错误检测流程

我把上面讲的内容串起来，画了一张流程图。这张图在我自己的项目中用了很久，结构清晰，我每次带新人都会先给他们看这个：

这张图说白了就是一个“三关”流程：括号 - 环数字 - 原子价。任何一关没过，或者报错，或者走修正路径。我建议你在代码里也这样设计——不要一次性把所有检查跑完，逐个来，这样定位错误的时候也方便。

4.6 实用级的检查脚本模板

最后，我给你一个可以在生产环境直接用的函数模板。这玩意儿我优化了好多版，目前在公司里跑了几百万个分子，没出过什么大问题：

from rdkit import Chem

def validate_smiles(smiles):
    """
    三步检测：括号 -> 环数字 -> 原子价
    返回 (state, message)
    """
    if not isinstance(smiles, str) or len(smiles) == 0:
        return (False, "空输入")
    
    # 第一步：括号匹配
    stack = []
    for i, ch in enumerate(smiles):
        if ch == '(':
            stack.append(i)
        elif ch == ')':
            if not stack:
                return (False, f"多余右括号 @ {i}")
            stack.pop()
    if stack:
        return (False, f"未闭合左括号 @ {stack}")
    
    # 第二步：环数字匹配
    from collections import Counter
    digits = [ch for ch in smiles if ch.isdigit()]
    # 排除 % 开头的两位数环数字，本模板暂不处理
    count = Counter(digits)
    for d, c in count.items():
        if c % 2 != 0:
            return (False, f"环数字 {d} 不成对 (出现 {c} 次)")
    
    # 第三步：原子价检查（借助 RDKit）
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return (False, "RDKit 无法解析")
    try:
        Chem.SanitizeMol(mol)
    except Chem.ValenceException as e:
        return (False, f"原子价异常: {str(e)}")
    except Exception as e:
        return (False, f"其他 sanitization 错误: {str(e)}")
    
    return (True, "通过所有检查")

你把这个函数集成到你的预处理管线里，每次喂数据前先跑一遍。遇到报错的，要么修，要么丢。别心疼——数据质量比数据数量重要得多。

好，说到这里，SMILES语法错误检测这块的核心点基本都覆盖了。括号、环数字、原子价——三座大山，一个一个翻过去就行。下次遇到类似问题，你可以直接拿这里的代码去修。