📚 课程目录第2章 SMILES进阶

SMILES 进阶：分支、环、芳香性、异构体、规范 SMILES、SMILES 解析原理

上一章我们搞懂了最基础的 SMILES 写法——就是把原子一个个串起来。但真实分子哪有这么乖？

有分支的、有环的、有芳香环的、有手性中心的……今天我就带你把这些坑全填上。

我自己刚接触 SMILES 的时候，写过一条带三个环的青霉素衍生物，结果因为括号没配对，解析器直接报错。后来我养成了一个习惯：写长 SMILES 时，先在纸上画一遍骨架，再一行行拆成子片段。

分支：用小括号搞定侧链

分支就是从一个原子上分出多条链。SMILES 用 () 包裹侧链。

来看个例子：

CC(C)C             # 异丁烷：主链 C-C-C，中间 C 上有个甲基侧链
O=C(O)c1ccccc1     # 苯甲酸：主链苯环-羧基，羧基里的羟基是分支

括号可以嵌套。我见过最夸张的深度达到 6 层——那是个环肽模拟物。解析这样的 SMILES，栈式结构很管用。

写嵌套分支时，建议每打开一个左括号缩进一个层级，像写 JSON 一样。等最后压缩成一行再提交给代码。

环：数字标记 + 配对

开环分子简单。一旦涉及环键，就要用数字标记环的连接点。

规则：

在环的起点和终点原子上各写一个相同的数字（0~9）
数字可以重复使用，只要在首次出现后再次出现时形成闭合
最多支持 10 个环（数字 0-9），更多环需要 % 两位数字

比如环己烷：

C1CCCCC1

第一个 C 后写 1，最后一个 C 后也写 1，表示这两头连起来。

我处理过一个三环体系：

C12CC3CC(C1)CC(C3)C2      # 金刚烷骨架

顺便说个坑：数字不能连续写两个不匹配的环数字，比如 C12 会被理解为 C 同时是环 1 和环 2 的起点，除非你确实想表达螺环。

芳香性：小写字母表示

苯环如果写成 C1=CC=CC=C1 也没错，但太啰嗦。SMILES 允许用小写字母表示芳香原子，让环变成 c1ccccc1。

芳香性判断标准：

原子必须在芳香环中（满足休克尔规则或常见芳香体系）
键不写双键/单键，默认芳香键
常见芳香原子：c（碳）、n（吡啶氮）、o（呋喃氧）、s（噻吩硫）

看几个对比：

结构	写法	说明
苯	c1ccccc1	6 个芳香碳，环形
吡啶	c1ccncc1	5 个 c + 1 个 n
呋喃	c1ccoc1	4 个 c + 1 个 o

注意：芳香原子不能加氢显式写，比如 c1ccccc1 自动带 6 个 H。如果你显式写 C1=CC=CC=C1，解析器认为它是环己三烯，不再是芳香体系，后续芳香性检测会失败。

我曾经用 RDKit 读一批化合物，发现一个分子明明有苯环却算不出芳香性，查了半天就是因为 SMILES 里用了大写 C 且写了双键。换成小写 c 立刻正常。

手性异构体：@ 与 @@

手性中心用 @ 或 @@ 标记，表示原子周围取代基的排列方向（顺时针或逆时针）。

规则：

紧接在手性原子后面写 @ 或 @@
@ 表示逆时针（从第一个取代基看过去）
@@ 表示顺时针
只对 tetrahedral 中心（sp3 碳）生效

L-丙氨酸 vs D-丙氨酸：

L-Ala:  N[C@@H](C)C(=O)O
D-Ala:  N[C@H](C)C(=O)O

这里 C@H 中的 H 是手性碳上直接连的氢。要注意手性标记必须紧贴中心原子，不能中间插别的符号。

我个人经验：手动写手性 SMILES 容易把 @/@@ 弄反。我的做法是先画个费歇尔投影，再按 RDKit 的 Chem.MolToSmiles 反向验证一次。实在不确定就交给 3D 构象生成再检查。

顺反双键异构：/ 与 \

双键两端的方向用 / 和 \ 表示。斜杠写在键的相邻原子上，表示从该原子出发“朝上”或“朝下”。

典型例子：

C/C=C/C         # 反式-2-丁烯：第一个 / 表示左侧甲基朝上，第二个 / 表示右侧甲基也朝上
C/C=C\C         # 顺式-2-丁烯：左侧朝上，右侧朝下

这玩意很容易被忽略。我有个同事写药物分子库时，遗漏了斜杠，RDKit 默认给了最稳定的反式，结果对接结果全错了。后来每写一个双键，我都会检查斜杠是否成对出现。

规范 SMILES：让唯一性落地

同一种分子可以写出无数种 SMILES（从不同原子开始、不同环数字分配）。比如乙醇：

CCO
OCC
C(C)O

都是有效写法，但对计算机来说不是“同一个字符串”。规范 SMILES 就是通过一套规则（例如 CANGEN 算法）生成唯一的、确定性的字符串。

使用 RDKit 获取规范 SMILES：

from rdkit import Chem
mol = Chem.MolFromSmiles("C(C)O")
canon = Chem.MolToSmiles(mol)
print(canon)   # 输出 CCO

规范化的核心步骤：

分配规范原子序号（基于图不变量排序）
固定遍历方向（从最小序号原子开始）
统一环数字分配（最小数字优先）

需要配套使用规范 SMILES 的场景：

数据库去重（同一化合物只存一条记录）
分子哈希索引
注册系统（确保新分子不与已有分子重复）

规范 SMILES 并不保证 100% 唯一性。有些互变异构体（如酮-烯醇）可能产生多个规范字符串。建议在数据库里同时存储 InChI 或骨架哈希作为二次校验。

SMILES 解析原理：从字符串到图

解析器做的事就是把这串字符翻译成分子图。核心逻辑可以用一段伪代码概括：

def parse_smiles(s):
    stack = []           # 记录分支开始的位置
    atoms = []           # 原子序列
    bonds = []           # 键列表
    ring_numbers = {}    # 环号 -> 待连接原子
    cur_atom = None

    for ch in tokenize(s):
        if ch == '(':
            stack.append(len(atoms))  # 记录分支起点
        elif ch == ')':
            stack.pop()
        elif ch.isdigit() or ch == '%':
            number = read_ring_number(ch)
            if number in ring_numbers:
                # 与之前标记的环端点连键
                partner = ring_numbers[number]
                bonds.append((cur_atom, partner, 1))
                del ring_numbers[number]
            else:
                ring_numbers[number] = cur_atom
        elif ch in 'cCnNoOsS':
            atom = parse_atom(ch)
            atoms.append(atom)
            if cur_atom is not None:
                bonds.append((cur_atom, len(atoms)-1, 1))
            cur_atom = len(atoms)-1
        # ... 处理分支、方向、手性、键类型等
    return (atoms, bonds)

实际成熟的解析器（如 OpenBabel、RDKit）会用更精细的状态机来处理括号嵌套、环配对、芳香性判断。但核心就是一条：从左到右，维护一个栈，遇到括号压栈，遇到环数字配对。

如果你想自己实现轻量级 SMILES 解析器（用来做分子子结构索引），建议只支持无分支无环的线性 SMILES，避开栈管理。等测试通过再逐步加入括号和环逻辑。

好了，上面这六块内容几乎覆盖了 90% 的日用 SMILES 场景。下面这张图帮你把整个知识网络串起来（SVG 画布），方便复习时快速定位。

梳理下来会发现，规矩虽然多，但每条都是历史演化的结果——为了让 SMILES 既简洁又明确。作为工程师，我最推崇的习惯是：遇到不熟悉的片段，先用 RDKit 画出来，再 dump 成规范 SMILES 看看。你亲眼看到机器怎么理解，比背一百条规则管用。