📚 课程目录第4章分子表示方法

分子表示方法：SMILES、分子图、指纹

各位，咱们直接进入正题。这一章讲分子表示，说白了就是怎么把化学结构喂给深度学习模型。你想想看，模型又不懂苯环、羧基这些概念，它只认数字。所以分子表示是桥梁，也是瓶颈。我在调批次校正模型时，遇到的最大坑往往不是模型结构不行，而是分子表示这一步就没对齐。

今天咱们聊三种最主流的表示方法：SMILES、分子图、指纹。每种方法都有它的脾气，也有它适合的场景。我个人习惯是先搞清楚数据集的特性，再决定用什么表示。别盲目跟风。

SMILES：最直观的字符串表示

SMILES（Simplified Molecular Input Line Entry System）是用ASCII字符表示分子结构。比如乙醇就是CCO，苯是c1ccccc1。看起来很简单，对吧？

但这里有个大坑：同一个分子可以有多个不同的SMILES字符串。比如水可以是O，也可以是[H]O[H]。这对深度学习模型来说很要命——它会以为这是两个不同的分子。

我建议在预处理阶段，必须对SMILES做标准化（canonicalization）。RDKit提供了标准化的API：

from rdkit import Chem

mol = Chem.MolFromSmiles(smiles)
canonical_smiles = Chem.MolToSmiles(mol, canonical=True)

这一行代码，能避免很多批次校正中的误判。我在一个项目中遇到过，同一个分子因为SMILES写法不同，模型给出了截然不同的ADMET预测。排查了大半天才发现是SMILES不统一的问题。

SMILES作为深度学习输入时，通常会用tokenization+embedding的方式处理。你可以把它看成NLP任务：把SMILES字符串切分成原子符号、键类型、环标记等token，然后输入RNN或Transformer。

# 简单示例：SMILES tokenization
smiles = "CCO"
tokens = ['C', 'C', 'O']
# 然后映射成one-hot或embedding向量

不过要注意，SMILES的长度差异很大。短的像水只有1个字符，长的蛋白质配体可能有几百个字符。这就需要对序列做padding或截断。我在做批次校正时，一般会设定最大长度128，超出部分直接截断。

分子图：保留拓扑结构

SMILES虽然直观，但它丢掉了分子的空间拓扑信息。你想，环丙烷和丙烯的SMILES都是C1CC1，但一个是环，一个是开链，化学反应性完全不同。

分子图（Molecular Graph）就是为了解决这个问题。它把原子看成节点（node），化学键看成边（edge）。这种表示天然保留了三环、芳香性这些结构特征。

图神经网络（GNN）现在很火。我常用的是消息传递神经网络（MPNN）。简单说，每个节点会接收邻居节点的信息，然后更新自己的特征向量。经过多轮传递，整个分子图就被编码成固定长度的向量。

以下是分子图的邻接矩阵和特征矩阵生成示例：

from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles("CCO")
# 原子特征：每个原子的one-hot
atom_features = []
for atom in mol.GetAtoms():
    # 原子类型、度、氢原子数、形式电荷等
    feature = [atom.GetAtomicNum(), atom.GetDegree(),
               atom.GetTotalNumHs(), atom.GetFormalCharge()]
    atom_features.append(feature)

# 邻接矩阵：键的索引
adj = Chem.rdmolops.GetAdjacencyMatrix(mol)
print(atom_features)
print(adj)

输出示例：

[[6, 2, 3, 0], [6, 3, 2, 0], [8, 1, 1, 0]]
[[0, 1, 0],
 [1, 0, 1],
 [0, 1, 0]]

分子图的好处是鲁棒性强。化学结构决定了图的拓扑结构，这个不会变。批次校正时，不同批次的分子图结构是一致的，不会因为SMILES的写法差异而改变。我个人很推荐在ADMET预测这种对分子结构敏感的任物中使用分子图。

不过也要小心：图神经网络的训练速度比序列模型慢不少。还有一个问题是，分子图的节点顺序是随机的。同一个分子，原子编号不同，生成的邻接矩阵就不同。这会导致模型学习不一致。我建议在数据加载时固定原子编号顺序，比如按原子序数排序。

指纹：高维稀疏向量

指纹（Fingerprint）是一种传统的分子表示方法。它用一个二进制位向量来编码分子的结构信息。比如Morgan指纹，它枚举分子中每个原子周围一定半径内的子结构，然后通过哈希函数映射到位图上。

优点很明显：计算快，解释性好。缺点也明显：维度高，稀疏。常见的Morgan指纹长度是2048或4096位，但大部分位是0。

指纹在深度学习中的使用方式很直接：直接作为全连接层的输入。代码示例：

from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles("CCO")
# 生成Morgan指纹
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=2048)
# 转为numpy数组
import numpy as np
arr = np.array(fp)
print(arr.shape)  # (2048,)

指纹向量可以做批次校正吗？当然可以。不过指纹对批次差异的敏感程度不如SMILES和图。因为指纹是子结构的集合，子结构打乱顺序不影响向量。但也有问题：不同批次的同一个分子，指纹完全一致。但如果批次间存在数据污染（比如溶剂残留），指纹会发生变化，这就帮我们发现批次漂移。

我记得有个项目，我们同时用了指纹和分子图作为输入，发现指纹对水的信号很敏感——不同实验室合成的水，指纹居然有差异。后来一查，是溶剂峰没洗干净。指纹意外成了质控指标。

三种表示方法的对比

表示方法	编码特点	对批次差异敏感度	训练速度
SMILES	序列，存在多种写法	高（需要标准化）	较快
分子图	拓扑结构，排列不变	低（结构确定）	慢
指纹	稀疏位向量，子结构枚举	中（溶剂敏感）	最快

实际项目中，我通常不会只用一种。如果是做高通量筛选，指纹足够快；如果是做精确ADMET预测，分子图更可靠；如果要做文本多任务学习，SMILES更能与其他任务对齐。

我的个人经验：如果你在做批次校正，强烈建议同时用分子图和SMILES做对比实验。分子图在批次间一致性上好，但SMILES在捕捉批次特定的噪声模式上更直接。两者互补。

SVG图：三种分子表示与批次校正的衔接

下面这张图展示了三种表示方法如何输入深度学习模型，并如何影响批次校正模块。注意看信息流从分子结构到嵌入表示，再到批次校正层的路径。

关键原则：无论你用哪种分子表示，批次校正的核心是确保“同分子跨批次”的特征表达一致。如果分子表示本身存在批间差异（比如SMILES标准不同），那么批次校正就变成了费力不讨好的事后修补。

避坑指南：我曾经因为分子图的消息传递步骤没对齐，导致不同批次的分子图嵌入向量分布不统一。后来才发现，图神经网络的消息传递次数（num_layers）设置不当，浅层和深层结构无法共享。建议固定消息传递层数，并在批次校正数据增强时保持图拓扑不变。

最后说一句：分子表示没有银弹。SMILES灵活，分子图精准，指纹高效。你的任务是什么？如果只是简单的分类任务，指纹够用；如果是多任务预测，分子图更稳定；如果涉及序列生成（比如逆合成），SMILES不可替代。嗯，把每种表示的特性吃透，之后调批次校正才有把握。