📚 课程目录第2章 SMILES语法基础

SMILES语法基础：原子、键、分支、环的表示方法

SMILES不是天书，它有一套非常清晰的语法规则。说白了，就是用一串字符，把分子结构“写”出来。我刚开始接触时也觉得这东西挺玄乎，但一旦理解了它的设计思路——哦，原来如此。

SMILES的核心要素就四个：原子、键、分支、环。这四个要素组合起来，就能表示几乎所有有机分子。咱们一个一个拆开看。

一个实用观点：SMILES本质上是用ASCII字符对分子图做深度优先遍历。记住这一点，很多看似奇怪的写法就好理解了。

原子表示法：既简单又苛刻

大多数有机原子直接用元素符号表示。碳就是C，氧就是O，氮就是N。但这里有个细节，芳香族原子用小写，脂肪族用大写。

原子类型	SMILES写法	示例
脂肪族碳	`C`	甲烷 `C`
芳香族碳	`c`	苯 `c1ccccc1`
脂肪族氮	`N`	氨 `N`
芳香族氮	`n`	吡啶中的氮 `n1ccccc1`
氧	`O`	水 `O`
硫	`S`	硫化氢 `S`
卤素	`F`, `Cl`, `Br`, `I`	氯甲烷 `CCl`

  注意：元素符号最多两个字符，大写字母开头，第二个字母小写。CL 是错的，标准写法必须是 Cl。我在项目中遇到过不少因为写成 CL 导致解析失败的案例。

对于特殊原子、同位素、电荷、手性，需要用方括号括起来。比如离子、金属原子、带有特定同位素的原子。

[Na+]          ; 钠离子
[OH-]          ; 氢氧根
[13C]          ; 碳-13同位素
[Fe+2]         ; 亚铁离子
[C@@H](Br)Cl   ; 手性碳，带旋向标记

个人习惯是：如果原子是常见有机元素且不带电荷，不写方括号；否则老老实实加方括号。标准化工具里的一个常见坑就是漏掉方括号里的内容。

原子表示避坑指南：我曾经在清洗一批化合物数据时，发现5%的条目解析出错。查了半天——原来是 [N+] 写成了 N+，少了方括号。SMILES对格式非常敏感，差一个字符就是不同的分子。

键的表示法：默认单键，特殊显式

单键在SMILES里是默认的。相邻的两个原子之间就是单键，不需要额外符号。双键用=，三键用#，四键用$——不过四键很少见。

你想象一下：写字符串的时候，原子符号挨在一起，之间就是单键；中间加个=，表示双键。

CC       ; 乙烷：C-C 单键
C=C      ; 乙烯：C=C 双键
C#C      ; 乙炔：C≡C 三键
C=O      ; 甲醛：C=O 双键
C#N      ; 氰化氢：C≡N 三键

一个小技巧：显式单键可以用 - 写出，但通常不需要。C-C 和 CC 在标准SMILES里是等价的。我个人只在遇到键序歧义时才用显式单键，保证可读性。

来个实际点的例子。我在处理天然产物数据库时，遇到了一个含累积双键的结构——1,2-丙二烯：C=C=C。三个原子两根双键，中间碳连着两个双键。这种写法看着别扭，但标准SMILES就是这样的线性表达。

分支结构：用括号描述侧链

分支是SMILES的精髓之一。它用圆括号把侧链包起来，挂在主干上的某个原子上。分支可以嵌套分支，可以多次挂分支。

基本规则很简单：主干从左到右写，遇到分支节点时，用(分支)插在主干原子后面。

CC(C)C       ; 异丁烷：主干是C-C-C，中间碳上挂一个甲基
CC(C)(C)C    ; 新戊烷：中间碳上挂两个甲基
C(C)(C)(C)C  ; 实际解析会按分支规则处理，没问题
OC(=O)C      ; 乙酸：O-C(=O)-C，括号内是双键氧

你想想看，为什么不能用图形表示非要写括号？因为SMILES是线性字符串，分支括号本质上是对分子图的深度优先遍历编码——遇到分叉就递归，用括号包裹子遍历的结果。

  分支括号 = 深度优先遍历中的递归标记。主干是主遍历，括号里的内容是从当前节点的子节点开始的子遍历。

嵌套分支的例子：

CC(C)(C)CC(C)(C)C   ; 2,2,4,4-四甲基戊烷，结构对称
C(CC)(C(=O)O)C      ; 一个嵌着羧基的分支

是否觉得能看懂一些了？

环的表示法：数字标记开环

环是SMILES最巧妙的设计。分子的环状结构怎么用线性字符串表达？答案是用数字标记两个原子之间的连接关系。

规则是：在环的起点原子后面写一个数字，在终点原子后面写同一个数字。这个数字表示：“把这两个原子连起来，形成环”。

c1ccccc1        ; 苯：6个芳香碳，数字1标记环的起点和终点
C1CCCCC1        ; 环己烷：脂肪族碳，6元环
C1=CC=CC=C1     ; 环己三烯（实际上常写为芳香表示）
O1CCCCC1        ; 四氢吡喃：一个氧的五元环

数字可以重复使用，但需要成对出现。标准SMILES允许的数字范围是1到9，多位环数需要用%数字。

C1CC2CCCC2C1    ; 十氢萘：两个环共用两个碳
C1CC2CCCC2C1    ; 数字1和2分别标记两个环
C%10CCCCC%10    ; 10元环：用%10标记
C1C2C3C4C5C6C7C8C9C%10C1C2C3C4C5C6C7C8C9%10  ; 大环结构

环标记的常见错误：数字必须成对出现，不能多也不能少。C1CC1 是三元环（正确），C1CC2 少了一个配对数字，解析器会报错。我在批处理一整个化合物库时遇到过这种错误，一查是人工录入时漏写了数字。

各部分组合：一张图看懂SMILES逻辑

这张图把SMILES的四个核心要素联起来了。整个SMILES字符串由这四个部分组合构建。从原子开始，通过键连接成主干，分支用括号展开，环用数字闭合。

完整示例拆解

拿一个真实的分子，拆开看看：

CCOCC(O)CC(=O)O     ; 一个含有羟基和羧基的醚

拆解开：

CCOCC — 主干：C-C-O-C-C，一个醚键
(O) — 分支：在第三个C上挂一个羟基
CC(=O)O — 继续主干，最后一个碳上挂一个羧基（(=O)O 表示双键氧再连一个羟基）

是不是清晰多了？

标准化工程里的实际收获

做SMILES标准化的时候，我习惯做三件事：

原子检查：确认所有元素符号大小写正确，方括号内的电荷、同位素格式标准
键验证：检查双键、三键的位置是否与分子图一致，避免误写
环结构闭合性检查：遍历所有环数字，确保每个数字都成对出现

批次一致性案例警示：我在一个药物分子库的标准化流程中发现，同一个化合物在不同批次中SMILES写法不一致。有的是 C1CCCCC1（环己烷），有的是 C1CCCCC1 但分支写法不同。这种不一致会导致去重失败、索引错误。标准化的第一步，就是用工具把所有SMILES转成同一套规范表示。

SMILES语法的核心就这么四块。原子决定节点，键决定连接，分支处理非线性的侧链，环解决闭环问题。掌握这四块，你就能读懂90%以上的SMILES字符串了。