化学信息学基础：SMILES、InChI、分子图表示

做分子属性预测，第一件事就是把化学结构变成计算机能懂的语言。你想想看，一个苯环六个碳，在纸上画个六边形就行，但要让机器认出来就得规定一套编码规则。

我刚开始接触这个领域时，也纳闷过：为什么不直接用CAS号？后来踩了坑才明白——CAS号是登记号，跟结构没有直接推导关系。真正的化学信息学三大基础：SMILES、InChI、分子图。这三样东西，你每天都会打交道。

SMILES：最流行的行式表示法

SMILES（Simplified Molecular Input Line Entry System）说白了就是把结构写成一行字符串。这玩意1990年代就有了，到现在还是最常用的。

基本规则其实挺简单：

• 原子用元素符号直接写，比如C、O、N
• 单键直接写，双键用=，三键用#
• 分支用括号()包裹
• 环结构用数字标记开环位置
• 芳香环用小写字母，比如c1ccccc1代表苯

举个例子，乙醇的SMILES是CCO。嗯，连字符都省了。再来个复杂点的：对乙酰氨基酚（扑热息痛）：

CC(=O)Nc1ccc(cc1)O

这个字符串里，CC(=O)N是酰胺部分，c1ccc(cc1)是苯环，最后的O是羟基。注意看括号里的=O，表示一个双键氧连在碳上。

我在项目中遇到过一个大坑：SMILES不唯一！同一个分子，不同人写出来可能不一样。比如丙酮可以是CC(=O)C，但有人写成C(=O)(C)C，也是对的。这就麻烦了，做数据合并时明明同一个分子，字符串却不相等。

SMILES的变种与规范化

现在主流工具都能生成规范化SMILES，但要注意：

• Isomeric SMILES：包含手性、同位素信息，用@表示手性中心方向
• Kekulé SMILES：把所有芳香键都写成单双键交替，不展示芳香性
• DeepSMILES：针对序列模型做了优化，去掉一些括号陷阱

我个人习惯是：做机器学习时统一用RDKit的规范化SMILES，不去搞花哨的变种。原因很简单——你训练一个模型，输入必须是确定性的，否则自己坑自己。

InChI：权威的国际标识符

如果说SMILES是"民间高手"，那InChI就是"官方认证"。InChI（International Chemical Identifier）由IUPAC主导开发，目标是给每个分子一个唯一且可解析的标识符。

你看它的结构就知道这玩意多严谨：

InChI=1S/C8H9NO2/c1-6(10)9-7-2-4-8(11)5-3-7/h2-5,11H,1H3,(H,9,10)

这是对乙酰氨基酚的InChI。拆开看：

• 1S表示版本和标准标志
• C8H9NO2是分子式
• /c1-6(10)...是连接层，描述原子连接关系
• /h2-5,11H,...是氢原子层，规定哪些位置有氢

InChI还有一个"亲儿子"叫InChIKey，是个固定长度的哈希值，方便数据库索引。比如上面那个分子的InChIKey是：

RZVAJINKPMORJF-UHFFFAOYSA-N

注意最后三位-N表示非标准（Non-standard），如果加了立体化学信息就会变成-S。

实际项目中，我常用这个组合：

分子图表示：计算机眼中的分子

现在我们把分子看作一个图。原子是节点，化学键是边。你想想看，苯环不就是个六元环图吗？甲基不就是个碳连三个氢吗？

分子图通常包含两部分：

• 节点特征：原子类型、杂化方式、形式电荷、是否为芳香原子、氢原子数等
• 边特征：键类型（单/双/三/芳香）、键长、是否在环中、立体化学等

举个例子，用RDKit把SMILES转成分子图特征：

from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles('CCO')
# 获取原子特征
for atom in mol.GetAtoms():
    print(atom.GetAtomicNum(),        # 原子序数
          atom.GetHybridization(),    # 杂化方式
          atom.GetFormalCharge(),     # 形式电荷
          atom.GetIsAromatic())       # 是否芳香
# 获取键特征
for bond in mol.GetBonds():
    print(bond.GetBeginAtomIdx(), bond.GetEndAtomIdx(),
          bond.GetBondType())         # 键类型

这段代码输出：

6 SP3 0 False
6 SP3 0 False
8 SP3 0 False
0 1 SINGLE
1 2 SINGLE

两个碳原子（原子序数6）和一个氧原子（原子序数8），都是sp3杂化，没有电荷，不做芳香。两个单键连接。

做分子属性预测时，图神经网络（GNN）就是吃这个格式的数据。我早期用手工特征做回归，效果一直上不去；后来换成GNN，直接从分子图学特征，曲线直接起飞。说白了，图才是分子的"原生语言"。

常见分子图表示库对比

现在有几个主流的图表示库，我列一下：

三种表示的关系

最后一张图帮你理清楚这三者怎么互相转换：

从左到右，SMILES是人的语言，InChI是数据库的语言，分子图是机器的语言。三者各司其职，又相互贯通。我个人觉得，做项目时优先掌握SMILES和分子图就够用了，InChI更多是在数据清洗和发布时用到。