📚 课程目录第3章 RDKit入门

第3章 RDKit 入门：安装、分子对象与 SMILES 互转

RDKit 是什么？说白了，它是化学信息学领域最常用的 Python 工具包之一。我从做虚拟筛选项目开始接触它，到现在几乎每个跟小分子打交道的 pipeline 都离不开它。它能帮你把 SMILES 变成实实在在的分子对象，也能反过来把分子对象转回 SMILES，还能计算指纹、生成 3D 构象——嗯，今天我们就把最基础的这部分先捋清楚。

3.1 安装与配置

安装 RDKit 的方式有好几种，我个人的习惯是用 conda 创建虚拟环境再装，这样依赖最干净，不会跟系统里的其他包打架。

先说说最常见的两种方式：

pip 安装

pip install rdkit

如果你用的是常规 Python 环境，这条命令就够了。不过要注意，RDKit 的 pip 包在部分旧平台可能缺少预编译 wheel，第一次装的时候可能会编译一会儿。

conda 安装（我推荐）

conda create -n rdkit_env python=3.10
conda activate rdkit_env
conda install -c conda-forge rdkit

conda-forge 渠道的 RDKit 更新很及时，而且二进制包是预编译好的，装完就能用。我在项目里遇到过好几次 pip 装完 import 报错的情况，换成 conda 就一次过了——你想想看，这种环境问题排查起来真的很费时间，所以一开始就把环境搭稳最划算。

验证安装

from rdkit import Chem
print(Chem.__version__)

如果能正常输出版本号（比如 2024.03.1），就说明装好了。要是报错，先检查是不是在正确的虚拟环境里，再确认 Python 版本是不是 3.8–3.12 之间。

我建议安装完成后立刻跑一下 RDKit 自带的测试集，确保所有模块都正常工作：
python -m rdkit.test

3.2 分子对象创建

RDKit 里最核心的数据结构就是 Mol 对象。你可以把它理解成一个「分子容器」，里面存了原子、键、立体构型、芳香性信息等等。创建 Mol 对象最常用的方式是直接从 SMILES 出发。

从 SMILES 创建

from rdkit import Chem

mol = Chem.MolFromSmiles('CCO')
print(mol)
# 输出: <rdkit.Chem.rdchem.Mol object at 0x...>

一行代码就把乙醇的 SMILES 变成了可操作的分子对象。几乎所有的计算都从这一步开始。

从其他格式创建

输入格式	方法	示例
SMILES	`MolFromSmiles(smi)`	`Chem.MolFromSmiles('C1=CC=CC=C1')`
Mol 文件	`MolFromMolFile(path)`	`Chem.MolFromMolFile('ligand.mol')`
InChI	`MolFromInchi(inchi)`	`Chem.MolFromInchi('InChI=1S/C2H6O/c1-2-3/h3H,2H2,1H3')`
PDB 文件	`MolFromPDBFile(path)`	`Chem.MolFromPDBFile('protein.pdb')`

我个人用得最多的是 MolFromSmiles 和 MolFromMolFile，前者适合快速原型，后者适合处理已经画好的分子结构。

3.3 SMILES 与 Mol 互转

这个双向转换是 RDKit 最基础也最常用的操作。说白了就是两条路：SMILES → Mol（读入），Mol → SMILES（写出）。

SMILES → Mol

smiles = 'C1=CC=CC=C1'
mol = Chem.MolFromSmiles(smiles)

if mol is not None:
    print('转换成功')
else:
    print('SMILES 语法错误')

注意返回值可能是 None——如果 SMILES 不合法，RDKit 不会报错，而是返回空。我之前在一个批处理脚本里忘了检查 None，结果下游计算全崩了，排查了半天才找到原因。所以，记得每次都判空。

Mol → SMILES

mol = Chem.MolFromSmiles('CCO')
smiles_out = Chem.MolToSmiles(mol)
print(smiles_out)
# 输出: CCO

这里有个小细节：MolToSmiles 默认输出的是规范 SMILES（canonical SMILES）。同一个分子可能有多种 SMILES 写法，但规范 SMILES 是唯一的。这对于去重、建索引非常有用。

带选项的 SMILES 生成

smiles_with_h = Chem.MolToSmiles(mol, allHsExplicit=True)
print(smiles_with_h)
# 输出: CCO

还可以控制是否保留立体信息、是否输出凯库勒式等等。具体选项可以查 RDKit 文档，我在做数据库标准化时一般用默认参数就够了。

注意：MolFromSmiles 不会自动加氢。如果你想得到带有全部氢原子的结构，需要显式调用 Chem.AddHs(mol)。这在做 3D 构象生成时尤其重要，我刚开始就忘过这一步，生成的 3D 结构少了好多氢。

3.4 常用操作速览

创建完 Mol 对象之后，通常马上就会查它的基本信息。

查看分子属性

mol = Chem.MolFromSmiles('CCO')
print('原子数:', mol.GetNumAtoms())
print('键数:', mol.GetNumBonds())
print('分子量:', Descriptors.MolWt(mol))

遍历原子与键

for atom in mol.GetAtoms():
    print(atom.GetSymbol(), atom.GetAtomicNum())

for bond in mol.GetBonds():
    print(bond.GetBeginAtomIdx(), bond.GetEndAtomIdx(), bond.GetBondType())

这些遍历操作在后续做子结构匹配、原子指纹提取时会频繁出现。刚开始可以多打印几次，看看每个字段的实际值长什么样，心里就有底了。

  核心心法：RDKit 里一切计算都从 Mol 对象出发。只要把 SMILES 转成了 Mol，后续的指纹、构象、描述符计算就都水到渠成了。

3.5 避坑指南

RDKit 入门容易，但有几个坑我当初都踩过，这里列出来你注意一下：

SMILES 大小写敏感：Chem.MolFromSmiles('CCO') 正确，但 cco 会返回 None。元素符号首字母大写，这是基本规则。
芳香性感知：RDKit 在读取 SMILES 时会自动做芳香性感知。如果你用凯库勒式（比如 C1=CC=CC=C1），RDKit 会把它识别为芳香性苯环；但如果你明确不想让 RDKit 做芳香性处理，可以用 sanitize=False 参数。
加氢时机：前面提过，MolFromSmiles 默认不加氢。如果你要做 3D 构象优化，一定要先 Chem.AddHs(mol)，再调用嵌入函数。我曾经漏掉这一步，生成的构象键长全是错的，折腾了一下午才发现是氢没加上。

一个小习惯：每当你从 SMILES 创建 Mol 对象之后，先打印一下 mol.GetNumAtoms()，确认原子数跟预期一致。这能帮你及早发现 SMILES 解析异常。

嗯，关于 RDKit 入门最核心的部分就这些。安装、创建分子对象、SMILES 与 Mol 互转，这三步是后续所有计算的基石。你只要把这三步练熟，后面的指纹、构象、描述符就都顺了。