SMILES 编码：从分子结构到一行字符串
做分子表示学习，你绕不开的一个东西，就是 SMILES。
说白了，它就是把化学结构写成一行 ASCII 字符。
看起来简单，但背后有不少门道。
为什么需要 SMILES？
在计算机里表达分子，最早大家用连接表、矩阵之类的东西。
虽然信息完整，但体积大、难处理、不能直接扔进文本搜索。
比如一个复杂分子，它对应的邻接矩阵可能是几百乘几百的大块头。
我刚开始做化学信息学的时候，最头疼的就是怎么高效存这些分子。
存成 MOL 文件吧，一个分子好几 KB；用 InChI 吧，字符串又长得离谱。
后来发现 SMILES，一行搞定，几 KB 变几十字节，舒服多了。
SMILES 的历史
SMILES 是 1980 年代由 David Weininger 在 US Environmental Protection Agency (EPA) 开发的。
初衷很朴素：找个轻量级的方式让化学家能手动输入分子。
后来 Daylight Chemical Information Systems 把它做成了标准。
现在的 SMILES 大致有三个版本：
| 版本 | 特点 | 我的看法 |
|---|---|---|
| Daylight SMILES | 最原始，规则简单 | 基本够用，但异构体处理弱 |
| OpenSMILES | 开源社区规范 | 我项目里用的就是这套 |
| Canonical SMILES | 确定性的唯一字符串 | 做分子匹配时必用 |
我的建议：如果你在做分子生成或对比，优先用 Canonical SMILES。否则同一个分子可能出来多种写法，那就会导致很多奇怪的 bug。
基本语法规则
SMILES 的核心思想只有一个：用原子符号表示节点，用标点符号表示键和结构。
原子表示
常规原子直接写元素符号，注意大写字母在前：
- 碳：
C - 氧：
O - 氮：
N - 氯：
Cl（两个字母，C 大写）
遇到同位素或化合价异常的情况，就用方括号括起来：
- 带电荷的原子：
[Na+] - 同位素：
[18O] - 异常价态：
[C-]（卡宾）
嗯，这里要注意：方括号不只是用来表示离子，只要原子的氢原子数跟默认规则不同，就得显式写出。
我有个学生写苯环时顺手写了个 C1=CC=CC=C1，结果解析出来氢原子数全错了 —— 因为碳默认连 4 个键，但环里默认连两个，剩下的两个氢自动补上。但如果你改成 [CH]1=[CH][CH]=[CH][CH]=[CH]1，意思就不一样了，每个碳显式指定只连一个氢。
键的表示
SMILES 的键表示非常直观：
| 键型 | 符号 | 示例 |
|---|---|---|
| 单键 | - 或省略 |
CC（乙烷） |
| 双键 | = |
C=C（乙烯） |
| 三键 | # |
C#C（乙炔） |
| 芳香键 | : |
c1ccccc1（苯） |
很多人刚学时有个困惑：为什么单键可以省略？
根据 SMILES 默认规则，相邻的两个非氢原子之间默认就是单键。你想想看，如果你每个单键都写个 -，那字符串会变得非常啰嗦。CC 比 C-C 短得多，读起来也快。
关键点：SMILES 的默认键是单键。双键、三键、芳香键必须显式写出。
分支与环
SMILES 用圆括号表示分支：
C(C)C # 丙烷，中间的碳连接一个甲基
CC(C)(C)C # 2,2-二甲基丙烷，中间的碳上连两个甲基
C(=O)O # 甲酸，碳双键氧，再单键连羟基环用数字标记，相同数字表示成环：
C1CCCCC1 # 环己烷
c1ccccc1 # 苯环（小写 c 表示芳香碳）
C1=CC=CC=C1 # 环己二烯（大写 C 表示脂肪族碳）我曾经对接过一个分子数据库，里面大量分子用了多个环标签，比如 C1CC2CCCC1C2。
当时脚本解析环标签的逻辑写错了，导致双环分子全部无法正确还原。排查了一整天才发现是环编号解析的 bug，教训很深。
简单分子示例
来看几个例子，感受一下 SMILES 的简洁：
| 分子名称 | 分子结构 | SMILES |
|---|---|---|
| 乙醇 | CH₃CH₂OH | CCO |
| 乙酸 | CH₃COOH | CC(=O)O |
| 苯 | C₆H₆ | c1ccccc1 |
| 甲苯 | C₆H₅CH₃ | Cc1ccccc1 |
| 咖啡因 | C₈H₁₀N₄O₂ | Cn1c(=O)c2c(ncn2C)n(C)c1=O |
乙醇写成 CCO，看着是不是就像在描述“碳-碳-氧”的链条？
乙酸用了括号表示羧基分支。咖啡因那串看起来复杂，但你把它拆开看，就是几个环和甲基的组合。
生成过程中有个细节：写 SMILES 时顺序并不唯一。
比如乙醇你也可以写成 OCC，从氧开始写，语义上也是对的。
但你想想看，如果我们用 OCC 和 CCO 表示同一个分子，做字符串匹配时就对不上。
所以就有了 Canonical SMILES —— 规定一种唯一的写法，方便比较。
避坑指南：我在项目中遇到过一个问题：直接用 SMILES 字符串做分子去重。
同一个分子，不同库提供者给的 SMILES 可能不一样。
比如乙醇可能是 CCO，也可能是 OCC。
解决办法：始终用 RDKit 生成 Canonical SMILES 再比较。
从化学结构到 SMILES 的生成流程
下图是我自己画的一个流程，帮你理解从分子结构到 SMILES 的转换过程：
这个流程你看着也许觉得复杂，
但实际写代码时，RDKit 一个函数就能搞定：
from rdkit import Chem
# 从 SMILES 创建分子对象
mol = Chem.MolFromSmiles("CCO")
# 得到 Canonical SMILES
canonical = Chem.MolToSmiles(mol)
print(canonical) # 输出：CCO两行代码就完成了从字符串到分子对象、再回到字符串的全过程。
但背后原理你如果不懂，项目里遇到奇怪的 bug 就不好排查了。
比如芳香环识别错误、同位素符号被忽略、手性中心丢光 —— 这些都是我在实际项目中踩过的坑。
注意：SMILES 不记录氢原子个数。氢原子由化合价自动推断。
如果你需要显式处理氢原子，必须使用方括号标记，比如 [H]C([H])([H])[H]（甲烷）。
但默认情况下，你写 C 就代表甲烷，系统自动补足 4 个氢。
好了，这一章就到这。
SMILES 看起来简单，但它是一切分子表示学习的起点。
后面你要处理的图神经网络、分子指纹、反应预测，全都需要先理解这串字符串到底在说什么。