3. RDKit入门：安装、分子读写、SMILES与Mol对象转换

好，咱们正式开始接触实战工具。RDKit 这个库，说白了就是化学信息学的瑞士军刀。你在药物数据分析里遇到的大部分分子操作，它都能搞定。我个人习惯把所有跟分子打交道的工作都先过一遍 RDKit，省时省力。

3.1 安装 RDKit：别在这个环节卡住

安装其实很简单，但我见过不少人在这一步就放弃了，太可惜。你想想看，环境都配不好，后面还怎么玩图卷积？

避坑提示：千万不要自己手动编译 RDKit！除非你特别享受解决依赖冲突的快感。直接用 conda 或者 pip 一把梭。

我个人最推荐用 conda 安装，它能把底层的 Boost 库一起搞定，省心很多。

# 创建一个新环境，Python 版本建议 3.9 以上
conda create -n drug-gcn python=3.9

# 激活环境
conda activate drug-gcn

# 安装 RDKit
conda install -c conda-forge rdkit

如果网速不好，也可以试试 pip。不过要注意，pip 版有时候会缺一些化学特征计算功能。

pip install rdkit-pypi

装完之后，怎么验证？打开 Python 交互环境，跑一行代码：

from rdkit import Chem
print(Chem.__version__)

你能看到类似 2024.03.1 这样的版本号，那就说明装好了。我曾经有一次装了半天，最后发现没激活 conda 环境，直接在 base 里跑，结果死活 import 不进来。嗯，这种低级错误我犯过一次就够了。

3.2 分子的两种形态：SMILES 与 Mol 对象

搞药物数据，你每天都会跟 SMILES 打交道。它是一个用 ASCII 字符表示分子结构的线性字符串。比如，乙醇长这样：CCO。

但我们的 GCN 模型不认识字符串，它只认图结构。所以 RDKit 的核心工作，就是把字符串转成它内部能操作的 Mol 对象。这个 Mol 对象里，原子、键、坐标、环，全都有。

一句话总结：SMILES 是人看的，Mol 是代码看的。两者之间的转换，是 RDKit 入门的第一个门槛。

为什么会这样？因为 SMILES 是线性表示，丢失了空间结构信息。而 Mol 对象是完整的数据结构，可以随时提取邻接矩阵和特征向量——这正是我们后面做 GCN 需要的东西。

看看转换有多简单：

from rdkit import Chem

# SMILES -> Mol
smiles = "CCO"
mol = Chem.MolFromSmiles(smiles)

# Mol -> SMILES
smiles_back = Chem.MolToSmiles(mol)
print(smiles_back)  # 输出: CCO

这里有个坑：MolFromSmiles 如果解析失败，它会返回 None。我刚开始学 RDKit 时，有一件事特别糊涂：为什么我给了个看似正确的 SMILES，它却返回空？后来发现是括号少写了半边。所以，每次转换后养成检查的习惯：

if mol is not None:
    print("转换成功")
else:
    print("SMILES 格式有误")
属性 SMILES Mol 对象
本质 字符串 复杂数据结构
可读性 对人友好 对机器友好
包含信息 原子、键连接 原子、键、坐标、环、属性
适合 GCN 吗 不行 可以直接提取邻接矩阵

3.3 读写分子文件：从 SDF 到 CSV

真实的数据集，没人会给你纯 SMILES。最常见的格式是 SDF，它能把分子结构、3D 坐标、还有几十个属性字段打包在一起。

读取 SDF 的标准流程：

from rdkit import Chem

# 读取 SDF 文件，得到的是一个列表，每个元素是一个 Mol 对象
supplier = Chem.SDMolSupplier('drugs.sdf')
for mol in supplier:
    if mol is not None:
        # 提取 SMILES
        smiles = Chem.MolToSmiles(mol)
        # 提取属性（比如分子 ID）
        mol_id = mol.GetProp('_Name')
        print(f"ID: {mol_id}, SMILES: {smiles}")

这里有个细节要注意：SDMolSupplier 默认是惰性读取，它不会一下子把整个文件加载到内存。我在处理一个百万级分子的 SDF 时，这个特性特别有用——内存稳稳的。

写入 SDF 同样简单：

from rdkit import Chem

# 创建一个新的 Mol 对象，并设置属性
mol = Chem.MolFromSmiles("C1=CC=CC=C1")
mol.SetProp("_Name", "benzene")
mol.SetProp("alogP", "2.13")

# 写入文件
writer = Chem.SDWriter('output.sdf')
writer.write(mol)
writer.close()

你可能会问，为什么不直接存 SMILES？因为 SDF 能保留分子坐标。后面我们在做分子构象生成、3D 图卷积的时候，坐标是必须的。所以，养成存 SDF 的习惯，是专业选手的做法。

实用技巧：RDKit 还支持直接读 CSV 里带 SMILES 的列。用 rdkit.Chem.PandasTools 中的 LoadSDF 或 AddMoleculesToDataFrame，你可以在 Pandas 的 DataFrame 里直接操作 Mol 对象，配合 GCN 数据处理非常丝滑。

3.4 本章知识结构图

下面这张图概括了本章最核心的流程——RDKit 就像一个翻译官，把你能读懂的 SMILES 转成机器能处理的 Mol 对象，最后通过文件读写落地。

RDKit 分子数据核心流程 1. 环境安装 2. SMILES 输入 3. Mol 对象转换 4. 属性/结构操作 5. 文件读写 核心目标： 为 GCN 准备图数据

3.5 常见报错与解决方法

我知道，光讲理论不过瘾。咱们直接看看实际跑代码时会遇到啥问题。

# 错误案例 1：SMILES 语法错误
mol = Chem.MolFromSmiles("C1CC1")   # 正确写法是 C1CC1，但这个没问题
mol = Chem.MolFromSmiles("C1CC")    # 括号不匹配，返回 None

# 错误案例 2：SDF 文件损坏
supplier = Chem.SDMolSupplier('broken.sdf')
for mol in supplier:
    if mol is None:
        print("跳过损坏分子")

我遇到过最坑的，是某公司的数据集在 SDF 里用了特殊分隔符。RDKit 的 SDMolSupplier 默认只认标准格式，遇到这种情况，我是用 rdkit.Chem.rdmolfiles.SDMolSupplier 带上参数 sanitize=False 先读进来，再手动清理。

重要提醒：读取 SDF 时，如果文件中包含几十万分子，务必加个计数器或者 tqdm 进度条。我曾有一次没加，跑了一个小时以为自己死机了，结果人家还在慢慢读。

3.6 进阶：Mol 对象到底长什么样？

你可能好奇，Mol 对象内部到底装了什么。咱们可以简单看看：

from rdkit import Chem

mol = Chem.MolFromSmiles("c1ccccc1")
print("原子个数:", mol.GetNumAtoms())
print("键的个数:", mol.GetNumBonds())
print("是否有环:", mol.GetRingInfo().NumRings())

# 遍历原子
for atom in mol.GetAtoms():
    print(f"原子索引: {atom.GetIdx()}, 元素: {atom.GetSymbol()}")

# 遍历键
for bond in mol.GetBonds():
    print(f"键: {bond.GetBeginAtomIdx()} - {bond.GetEndAtomIdx()}, 类型: {bond.GetBondType()}")

看到没有？原子索引、键连接关系全都有了。这就是 GCN 需要的 邻接关系。这些信息在后面构造图的时候，直接拿过来用就行。

说白了，RDKit 的 Mol 对象就是 GCN 的数据预处理器。你跑通了上面这些代码，后面 90% 的数据清洗工作就都有着落了。我建议你现在就打开终端，装好环境，把示例代码跑一遍。哪怕只跑通一个分子，这章就算毕业了。

← 上一章 📖 返回目录 下一章 →