SMILES 简介：规则、语法与常见示例

大家好，我是这门课的主讲人。今天咱们来聊聊 SMILES——这东西看着像一串乱码，但其实是化学信息学的基石。我记得刚入行那会儿，第一次看到 CC(=O)O 时完全懵了，心想醋酸怎么长这样？后来才发现，一旦读懂了规则，它就是最优雅的分子「身份证」。

什么是 SMILES？

SMILES 全称是 Simplified Molecular Input Line Entry System，说白了就是一种用 ASCII 字符串描述分子结构的线性表示法。它由 David Weininger 在 1980 年代提出，现在已经是化学信息学、药物发现、分子生成模型中最通用的「语言」之一。

我个人习惯把它理解为：把一张 2D 结构图压缩成一行文本。这个过程依赖一个确定性算法——先选出起点原子，再按深度优先遍历记录连接顺序、分支、环和立体信息。你可能会问：「为什么不直接用图数据库或 SMARTS？」嗯，SMILES 的强项在于简洁——一个字符串就能唯一标识一个分子（不考虑不规范写法时），而且非常便于机器处理和模型输入。

SMILES 表示法核心规则

下面这些规则，我在项目里踩过不少坑，一个个说。

原子表示

• 有机元素直接用元素符号：C、O、N、P、S、F、Cl、Br、I。
• 其他元素用方括号括起来，比如 [Fe]、[Au]。
• 氢原子通常省略——除非你显式要写同位素或电荷，比如 [2H]（氘）。
• 电荷写在方括号里：[NH4+] 表示铵根。

键与连接

• 单键直接用 -，但在大多数情况下可以省略。比如 CC 就是乙烷。
• 双键用 =，三键用 #。
• 芳香键用 : 或小写字母表示（详见「芳香性」小节）。

举个例子：乙醛是 CC=O，丙酮是 CC(=O)C——注意括号表示分支。

分支

分支用圆括号 () 表示。规则很简单：遇到分支，就把支链写在挂载点的后面，并用括号括起来。例如异丁烷：CC(C)C。你可以嵌套分支：一个支链上再挂一个支链，比如 CC(C)(C)C（新戊烷）。

环

环结构通过数字标记闭合。每个环的开头原子和结尾原子用同一个数字标记，比如环丙烷是 C1CC1。数字从 1 开始，可以重复使用（同一个环用同一个数字）。多个环用不同数字，比如二环的萘：C1=CC=C2C=CC=CC2=C1。

我记得有一次训练生成模型，输出的 SMILES 里环数字匹配错了——比如 C1CC2C3 数字没配对，导致后处理无法复原分子结构。所以写 SMILES 时一定要保证：每个数字出现且仅出现两次。

芳香性

芳香环用小写字母表示，例如苯是 c1ccccc1 而不是 C1=CC=CC=C1。小写字母暗示芳香性，解析器会自动分配 Delocalization。注意：只对 C、N、O、S、P 有效，且必须是环内共轭体系。

立体化学

SMILES 支持两种立体信息：

• 顺反异构：用 / 和 \ 表示双键两侧的原子排列。例如顺-2-丁烯：C/C=C\C。
• 手性中心：用 @ 表示四面体方向。@ 表示逆时针，@@ 表示顺时针。比如 L-丙氨酸的 SMILES：C[C@@H](C(=O)O)N。

我个人的经验是：手性符号特别容易写反。如果你在纸上画费歇尔投影，建议先把构型转换为 3D 坐标，再用 Open Babel 或 RDKit 生成规范 SMILES——比手写安全得多。

常见分子 SMILES 示例

下面这张表我精心挑了几个典型分子，涵盖不同结构特征：

看到咖啡因的 SMILES 了吧？它包含了括号嵌套环、双键和多个甲基，写起来很考验耐心。我当时做分子生成时，经常用这个分子来测试模型的环闭合能力。

知识体系概览

下面的流程图梳理了 SMILES 的核心语法要素及它们之间的关系——从原子到键、分支、环、芳香性与立体。你写 SMILES 时按这个顺序检查，基本不会漏。

你可以把这个图当作检查清单。我在用 RDKit 解析 SMILES 之前，总会先把字符串按这几个要素过一遍——原子对吗？键对了吗？环数配对了吗？立体符号匹配吗？走完流程再交给代码，能省掉大半天的调试时间。

小结与建议

SMILES 看上去是简单的文本，但背后依赖一套严格的语法。我个人建议：编写生成模型时，统一使用规范化的 SMILES（比如 RDKit 的 MolToSmiles(mol, canonical=True)），避免引入 C1=CC=CC=C1 和 c1ccccc1 这种「等价异形」字符串——不然模型会被绕晕。另外，遇到复杂环系或手性分子，一定多跑几个测试用例确认前后端解析一致。