SMILES字符串解析：语法校验、标准格式转换与错误处理

做化学信息学的人都知道，SMILES 看着简单，用起来全是坑。我刚开始批量处理分子库的时候，就吃过格式不规范的亏——一个批次里混进来几条“看着像 SMILES”但解析不了的数据，整个流程直接崩了。所以这一章，咱们专门聊聊怎么把 SMILES 从“字符串”变成“能用的结构”，同时把错误挡在外面。

语法校验：哪些“SMILES”其实是伪装的

很多刚入行的朋友以为，只要是字母、数字和括号拼起来的字符串就是 SMILES。其实不是。SMILES 虽然没像 XML 那样搞一套 DTD，但它有自己严格的文法。你看这条：C1=CC=C(C=C1——少了一个右括号，对吧？但系统不提醒你的话，可能拖到分子生成才炸。

常见的 SMILES 语法问题，我一般分成两类：

类别	典型问题	例子
规范性问题	不是标准 SMILES 字符集、用了小写字母而含义不明确、双键/三键位置不合法	c1ccccc1（芳香键，但上下文期望 Kekulé 形式时需转换）
语法问题	括号不匹配、环编号重复或缺失、分支位置错误、原子价态超限	C1CCC1（环编号为 1 但未闭合第二个环键）

我个人习惯是先做一遍 字符集白名单过滤，再调正则做括号和环编号配对。这一步很快，能筛掉 70% 以上的脏数据。

import re

def simple_smiles_syntax_check(smiles: str) -> bool:
    # 1. 基本字符集
    allowed = re.compile(r'^[A-Za-z0-9@+\-\[\]()#=%\/\\\.]+$')
    if not allowed.match(smiles):
        return False

    # 2. 括号匹配
    stack = []
    for ch in smiles:
        if ch == '(':
            stack.append('(')
        elif ch == ')':
            if not stack:
                return False
            stack.pop()
    if stack:
        return False

    # 3. 环编号：数字出现次数必须为偶数（除了大于9的用%标识）
    ring_nums = re.findall(r'(\d+|%\d+)', smiles)
    from collections import Counter
    cnt = Counter(ring_nums)
    for k, v in cnt.items():
        if v % 2 != 0:
            return False
    return True

标准格式转换：从“能读”到“标准”

即使语法通过了，不同工具写的 SMILES 风格也可能差很多。你想想看，RDKit 生成的 canonical SMILES 和 Open Babel 写出来的可能互相认不出来。这就引出两个核心概念：规范化（canonicalization） 和 Kekulé 转换。

规范化最简单，用 RDKit 一行就行：

from rdkit import Chem

smiles = "C1=CC=C(C=C1)"   # 这个其实已经是规范的苯表示
mol = Chem.MolFromSmiles(smiles)
canonical = Chem.MolToSmiles(mol)
print(canonical)            # 输出：c1ccccc1

但如果你拿到的是 Kekulé 形式（含显式双键），而下游需要芳香形式（小写 c），就得多做一步。反过来也一样——我遇到过的一个项目需求是必须输出 Kekulé 形式，因为渲染引擎不支持芳香键。

Kekulé 转芳香，内部其实是把交替单双键统一成 delocalized 的环。而芳香转 Kekulé，则需要显式指定双键位置。RDKit 的处理方法是：

def to_kekule(smiles: str) -> str:
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        raise ValueError(f"Invalid SMILES: {smiles}")
    Chem.Kekulize(mol)
    return Chem.MolToSmiles(mol, kekuleSmiles=True)

# 示例
kekule_form = to_kekule("c1ccccc1")
print(kekule_form)    # 输出：C1=CC=CC=C1

错误处理：别让一条脏数据拖垮整个批次

这是实战中最头疼的部分。你处理一个 10 万条 SMILES 的批次，跑到第 8 万条时，出来个 None。然后呢？整个批次停掉？还是跳过？还是修复？

我自己的经验是：永远不要在生产管道里用裸的 Chem.MolFromSmiles 而不做 try/except。曾经接手过一个批次分析失败的案例，查到最后发现是上游工具在某些 SMILES 里混入了不可见字符（比如零宽空格）。

一个实用的错误隔离机制：

def safe_mol_from_smiles(smiles: str, sanitize: bool = True):
    try:
        mol = Chem.MolFromSmiles(smiles, sanitize=sanitize)
        if mol is None:
            # 这里可以做更详细的原因分析
            # 比如检查是否有非法原子符号
            raise Chem.MolSanitizeException(f"Sanitization failed for {smiles}")
        return mol
    except Exception as e:
        # 记录到日志，而不直接崩溃
        print(f"[WARN] Failed to parse: {smiles} -> {e}")
        return None

我个人强烈建议把失败记录写到独立文件里，方便后续人工审核。可以用一个简单的错误分类表：

错误类型	描述	恢复策略
原子不匹配	元素符号不在元素周期表中（如 “Qz”）	直接丢弃，记录到错误清单
括号不匹配	括号数不对称	尝试插入缺失括号（风险较高，一般不自动做）
价态超标	碳连了 5 根键等	关闭 sanitize 读取，然后手动修正
环编号不配对	环数字只出现一次	跳过该条 SMILES
未知符号	出现了 @ 以外的符号	用正则剔除后重试

对于批次差异分析来说，我还会在错误处理阶段加入一个 成功率阈值检查——如果某个批次的解析成功率低于 95%，这个批次就应该标记为可疑，而不是继续正常分析。

另外，如果数据量大，可以考虑先用多进程做预解析，把成功和失败的 SMILES 分到两个列表里，再做下游处理。这样失败的不影响成功的流程，批次处理不会卡死。

上面这张图，是我在项目里实际用的解析决策流程。简单说就是 先筛、再转、最后兜底。语法校验是对字符串负责，标准化是对语义负责，错误处理是对整体管道负责。

自定义异常：让错误信息自己说话

Python 内置的异常在批次分析里信息量往往不够。比如 Chem.MolSanitizeException 不会告诉你是哪个原子超标了。我习惯写几个自定义异常，把失败粒度和场景打包进去：

class SMILESParseError(Exception):
    def __init__(self, smiles: str, reason: str, line_no: int = None):
        self.smiles = smiles
        self.reason = reason
        self.line_no = line_no
        super().__init__(f"[Line {line_no}] {smiles}: {reason}")

class ValenceError(SMILESParseError):
    def __init__(self, smiles, atom_idx, valence, max_valence):
        super().__init__(smiles, f"Atom {atom_idx} valence {valence} > max {max_valence}")

# 使用示例
try:
    mol = Chem.MolFromSmiles("C1CC1C", sanitize=True)
except Chem.MolSanitizeException as e:
    raise ValenceError("C1CC1C", atom_idx=2, valence=5, max_valence=4)

这样你在分析错误日志的时候，一眼就能看出是哪个原子、哪条 SMILES、为什么失败——而不是在一个大 Exception 信息里瞎翻。