📚 课程目录第1章 SMILES基础概念

第1章 SMILES 基础概念

做分子数据清洗，第一步不是写代码，而是搞懂 SMILES 到底是什么。我见过不少人拿着乱七八糟的 SMILES 字符串就往模型里灌，结果训练出来一堆废品。说白了，SMILES 就是分子的「身份证号」——但它有自己的一套语法规则。

1.1 SMILES 表示法简介

SMILES 全称是 Simplified Molecular Input Line Entry System，中文叫「简化分子线性输入规范」。1980 年代由 David Weininger 提出，后来成了化学信息学领域最通用的分子表示格式之一。你想想看，一个复杂的有机分子，几百个原子，用传统结构式画出来要半天，但用 SMILES 一行字符串就搞定了。

举个例子，乙醇的化学式是 C₂H₅OH，SMILES 写成：

CCO

就这么简单。三个字母，一个碳连一个碳再连一个氧。氢原子省略掉，因为有机化学里氢的数量可以通过化合价推断出来。这在数据清洗时特别重要——我刚开始处理 SMILES 时，老纠结氢要不要补全，后来发现大部分工具链默认都是「隐式氢」模式。

SMILES 的核心思想就一句话：用深度优先遍历的顺序记录分子图。从某个原子出发，沿着键走，遇到分支就加括号，遇到环就标数字。我个人的习惯是，先把分子结构式画在纸上，再按遍历顺序写出 SMILES，这样不容易出错。

    关键认知： SMILES 不是唯一的。同一个分子可以有多种合法的 SMILES 表示。数据清洗的核心任务之一，就是把这些「同分异构」的 SMILES 标准化成统一形式。

1.2 原子与键

原子是 SMILES 的基本单元。常见的有机元素直接用元素符号表示：C、N、O、S、P、F、Cl、Br、I。对于其他元素，需要用方括号括起来，比如 [Fe]、[Na]、[Au]。

我踩过一个坑：钴的符号是 Co，两个字母。如果写成 CO，SMILES 解析器会把它当成「羰基」（碳氧双键）。这类歧义问题在数据清洗中特别常见，尤其是处理金属有机化合物时。所以我的建议是：所有非有机元素，一律用方括号显式标注。

元素类型	写法示例	说明
有机元素	C, N, O, S, P, F, Cl, Br, I	直接写符号，氢自动补全
其他元素	[Fe], [Na], [Au], [Co]	必须用方括号，避免歧义
同位素	[13C], [2H]	质量数写在元素符号前
电荷	[O-], [NH4+], [Fe+3]	正负号表示离子态

原子之间的连接用键符号表示：

单键：直接写原子符号，如 CC（乙烷）
双键：用等号 = ，如 C=C（乙烯）
三键：用井号 # ，如 C#C（乙炔）
芳香键：小写字母表示，如 c1ccccc1（苯）

注意，单键在 SMILES 里通常是隐式的。C-C 写成 CC 就行，不用写减号。但双键和三键必须显式写出。

小技巧： 处理芳香环时，用 c（小写）表示芳香碳，C（大写）表示脂肪碳。这是 SMILES 里最容易混淆的细节之一。我每次写苯环都会默念一遍「小写芳香、大写脂肪」。

1.3 分支与环

分子的分支结构用圆括号表示。括号里的内容接在前一个原子上，形成分支。来，看个例子：

异丙醇（2-丙醇）的结构是：中心碳连一个羟基，再连两个甲基。SMILES 写成：

CC(O)C

解析顺序是：C → C（第一个分支：连羟基）→ 回到主链 C。说白了，左括号就是「往下走一个分支」，右括号就是「分支结束，回到主链」。

嵌套分支也很常见。比如叔丁醇：

C(C)(C)C

两个甲基分支都挂在同一个碳上。这种写法在数据清洗时容易把人绕晕，我建议用工具画出来验证一下。

环结构的表示更巧妙。SMILES 用数字标记环的起点和终点。比如环己烷：

C1CCCCC1

这里的 1 就是环标记。从第一个 C 开始标 1，走到第六个 C 再标 1，表示这两个 C 之间连成环。如果分子有多个环，就用不同的数字：1、2、3……

我以前处理过一个含三个环的甾体分子，SMILES 长这样：

C12CCC3C(C1CCC2)C4(C3)C=CC(=O)C4

嗯，很绕对吧？实际清洗时，这种多环分子的 SMILES 一定要用标准化工具做一次「环标记重排」，否则不同来源的数据会乱成一锅粥。

避坑指南： 我曾经遇到一批数据，环标记用了数字 10、11 这样的两位数。有些解析器不支持两位数环标记！后来的 SMILES 规范虽然允许了，但老版本的 RDKit 会报错。保险起见，环标记尽量只用 1-9，少用两位数。

1.4 官能团表示

官能团在 SMILES 里没有特殊的「缩写」。它们就是按照原子连接关系写出来的。但有些官能团的写法很固定，熟悉了能提升你阅读 SMILES 的速度。

官能团	SMILES 示例	对应的分子
羟基	O (连在碳上)	乙醇 CCO
羰基	C=O 或 C(=O)	丙酮 CC(=O)C
羧基	C(=O)O	乙酸 CC(=O)O
氨基	N 或 N(...)	甲胺 CN
硝基	[N+](=O)[O-]	硝基苯 c1ccc(cc1)[N+](=O)[O-]
磺酸基	S(=O)(=O)O	甲磺酸 CS(=O)(=O)O

你看，硝基的写法比较特殊，要用方括号显式标出电荷。这是因为硝基中的氮带有形式正电荷，两个氧各带一半负电荷（共振结构）。SMILES 要求形式电荷必须显式写出，这一点在数据清洗时经常被忽略。

我处理过一个药物分子数据集，里面 30% 的硝基化合物 SMILES 都没有写电荷。用 RDKit 解析时会静默失败或者产生错误的结构。所以清洗时一定要做「形式电荷验证」这一步。

    经验之谈： 数据清洗时，推荐先用 RDKit 的 MolFromSmiles 把字符串转成分子对象，检查是否成功。如果返回 None，要么是 SMILES 语法错误，要么是化合价不对。再配合 SanitizeMol 做一次结构验证，能过滤掉大量脏数据。

官能团表示还有一个坑：互变异构。比如酮式和烯醇式，它们是同一个分子的不同写法：

CC(=O)C   → 丙酮（酮式）
CC(O)=C   → 丙酮（烯醇式）

两种 SMILES 都是合法的，但描述的是同一个分子的不同互变异构体。数据清洗时要不要统一？这取决于你的下游任务。如果是物性预测，最好统一成最稳定的那种形式。

下面这张图总结了 SMILES 的核心结构要素，理清它们之间的关系，清洗时就不容易迷路：

最后汇总一下日常清洗中最容易踩的四个坑：

环标记冲突： 不同来源的数据用了相同的数字标记不同的环，合并时需重新编号。
隐式氢歧义： 某些工具默认补氢方式不同，最好显式调用 AddHs 统一处理。
芳香性判断： Kekulé 形式（单双键交替）和芳香形式的 SMILES 不一致，建议统一用芳香形式。
电荷与同位素： 方括号内的信息容易被遗漏，清洗时要做完整性校验。

实用工具推荐： 我每次拿到新数据集，第一件事就是用 rdkit.Chem.MolFromSmiles 批量解析，再配合 rdkit.Chem.MolToSmiles 做一次标准化输出。这一步能消除 90% 以上的格式不一致问题。

一句话总结：SMILES 看着简单，但真正用好它，得把原子、键、分支、环、官能团这五个要素吃透。这章的基础打牢了，后面讲异构体标准化、盐类拆分、错误修复这些实操内容时，你才能跟得上节奏。