1. SMILES 基础：表示规则，原子，键，分支，环
讲 SMILES 之前，我想先聊聊我刚开始做化学信息学那会儿的事。那时候导师丢给我一个包含几万个小分子的文件，说“你把它们都转成线性表示，方便存到数据库里”。我当时满脑子问号——线性表示？怎么把立体结构拉成一条字符串？后来才知道，这东西叫 SMILES。说白了，它就是给分子画的一串“简易密码”，人能读，机器也能判。
这一节我们先把地基打牢。你要能看懂一个 SMILES 字符串里每个字符在说什么，也得能写出来。我个人认为，理解了这四块——原子、键、分支、环——你就掌握了 90% 的日常用法。
核心要点：SMILES 是一种基于图的线性编码，用原子符号、键符号、括号和数字来表示分子拓扑结构。支持手性、同位素和立体化学，但不保证唯一性（除非使用规范 SMILES）。
1.1 原子表示：从简单到复杂
最朴素的情况——元素符号直接写。比如 C 表示甲烷、O 表示水。你是不是觉得太简单了？嗯，但有个坑：周期表里那些两字母元素，比如 Cl、Br、Na，首字母大写、第二个字母小写，这是硬规矩。我第一次写 CL（两个大写）被解析器报了错，才老老实实记住。
那什么时候要给原子加方括号？当它需要携带额外信息时：
- 同位素：比如
[13C]表示碳‑13，[18O]表示氧‑18。 - 电荷：
[NH4+]铵根，[Fe+3]铁离子。正负电荷数用数字写在符号后，比如[O-]、[Mg+2]。 - 手性标记：
[C@@H]表示四面体中心为反式手性。我早期有个项目因为没加这个标记，生成了错误的异构体，后来补了 @ 符号才跑通。 - 氢原子数：
[CH3]表示一个碳连了三个氢，其实可以简写为C，但显式写出氢数在有些计算场景下更安全。
我的习惯：在写 SMILES 时，如果原子不是常见有机元素（C、N、O、S、P、卤素）或者它有电荷/同位素，就老老实实加方括号。除非你能确保下游解析器支持隐式写法，否则别图省事。
| 写法 | 含义 | 注意 |
|---|---|---|
C |
甲烷 (CH₄)，或烷烃碳 | 氢原子自动补全至四价 |
[O] |
氧自由基 (不带电荷) | 与 O 等价，但显式提醒自由基存在 |
[NH3+] |
质子化氨 (铵根离子) | 电荷 +1，氢数显式说明 |
[13CH3] |
同位素标记的甲基 | 质量数 13，氢数目显式 |
1.2 键表示：单双三和芳香
键的表示很直接：
- 单键：不写任何符号，直接连原子。比如
CC就是乙烷。 - 双键：等号
=，比如C=C乙烯。 - 三键：井号
#，比如C#C乙炔。 - 芳香键：小写字母表示芳香环中的原子。比如
c1ccccc1表示苯环（所有碳用小写c，键默认是芳香键）。
我在做虚拟筛选时，遇到过一个坑：解析器把 c1ccccc1 里的六个碳当成了四个氢？不是的，解析器会自动推断苯环的芳香性，但不同库对“芳香”的定义有微妙差别。比如 RDKit 默认把吡啶的氮写为 n，而 Open Babel 可能要求显式双键。所以，如果你要跨工具流通，最好用规范 SMILES，也就是经过标准化后输出的字符串。举个例子：
# RDKit 生成的规范 SMILES
甲醇: CO
苯: c1ccccc1
吡啶: c1ccncc1
硝基苯: c1ccc(cc1)[N+](=O)[O-]我曾经踩的雷：在一个批次里用 RDKit 生成了一批 SMILES，顺手保存了原始字符串。另一批用 Open Babel 处理，结果发现同样的分子（比如苯甲酸）在不同工具下 aromatic 标记不一样——RDKit 输出 c1ccccc1C(=O)O，Open Babel 输出 c1ccccc1C(=O)O 看起来一样，但内部原子顺序不同。后来我强制所有数据通过 RDKit 的 Chem.MolToSmiles 重写一遍，才统一了表示。你要是做跨批次一致性分析，记住：必须在同一解析器下做标准化，否则对不上。
1.3 分支结构：括号来凑
分支是 SMILES 里最常用的套路——用圆括号括住一个子结构，把它“挂”在某个原子上。举个例子，异丙醇（2-丙醇）：
CC(C)O解读一下：从左到右，第一个 C，然后第二个 C，遇到左括号 ( 表示一个分支从当前原子（第二个碳）开始，括号里是 C，之后闭合括号，继续主链走 O。所以这个分子是：中间的碳连了一个甲基（分支）和一个羟基。
分支可以嵌套，也可以有多个并列：
# 2-氨基-1-丙醇
NC(C)CO
# 叔丁醇
CC(C)(C)O
# 更复杂的：L-苏氨酸（简化）
C[C@@H]([C@H](C(=O)O)N)O我个人习惯是先画主链，再往主链上挂分支。如果你要手动写 SMILES，不妨用“可视化-还原法”：把分子画出来，找到最长连续碳链作为主线，其余作为分支依次插入。
1.4 环结构：数字标记
环是 SMILES 里最容易写错的地方。规则很简单：用数字（0-9）来标记同一个环的起点和终点。比如环己烷：
C1CCCCC1数字 1 先出现在第一个碳后，表示这个环的起点是第一个碳；当第二次出现 1 时（最后一个碳），表示这个环在这里闭合。注意，数字对同一个环必须配对，且不能重复——你不能在同一分子里用两个 1 号表示不同的环。RDKit 会自动分配数字，但手写时记得检查配对。
芳香环常用小写 + 数字：
# 苯
c1ccccc1
# 萘（两个稠环）
c1ccc2ccccc2c1这里 c1 起，遇到 2 开始第二个环标记，最后 c1 闭合第一个环。你会发现数字可以像变量一样，在字符串里多次出现，但要保证成对且不冲突。我遇到过一个项目，别人写的 SMILES 里数字用了 1 和 01（零一），解析器把 01 当作数字 1 处理，结果环出错。所以别用 0 作为环标记的开头——01 会被理解为 1。
避坑指南：手写环状 SMILES 时，我建议先用纸笔画一遍结构，确认环的断开点（也就是数字出现的位置）。然后用小工具（比如 ChemDraw 导出 SMILES）生成一个标准版本，再对照检查。不要完全相信自己的手写——人眼对数字配对很不敏感。
1.5 知识结构一览
为了让你对本章内容有个整体印象，我画了一个简单的流程图，展示从原始分子到 SMILES 字符串的转换逻辑，以及原子、键、分支、环各自扮演的角色。
1.6 关于跨批次一致性的第一个提醒
这一节我们只讨论了最基础的 SMILES 规则。但你在实际做跨批次分析时，很快就会遇到一个恼人的问题：同样的分子，第一周用 RDKit 2023.03 生成的 SMILES，和第三周用 RDKit 2024.09 生成的 SMILES，居然不一样！原因常常出在：
- 芳香性判定算法变化（比如之前把吡啶 N 判为芳香，新版判为非芳香）
- 环编号分配顺序不同（导致数字标记变了）
- 手性标记的 @ 或 @@ 方向（取决于输入坐标的顺序）
所以在开始任何跨批次项目前，我强烈建议你先定义一个“SMILES 标准化流水线”，固定解析器版本和参数。后面章节我们专门讲怎么搭这个流水线。
一个省事的做法：直接用 RDKit 的 MolToSmiles(mol, canonical=True) 生成规范字符串，然后对所有批次的 SMILES 都调用同一个函数重新标准化一次。这样至少保证同一分子在任何批次里的字符串完全一致。