第3章 常用化学信息学工具与库

做SMILES清洗，光靠正则和字符串操作可不够。你得懂点专业的化学信息学工具。这一章，我把自己平时用得最多的四个家伙拎出来，挨个讲讲优缺点和坑。你看完就知道什么场景该用什么，心里也有个底。

3.1 RDKit —— 你的SMILES瑞士军刀

RDKit，说白了，是开源界做化学信息学绕不过去的核心库。我几乎每个清洗脚本都离不开它。

它最拿手的几件事：

• 读写SMILES：Chem.MolFromSmiles 和 Chem.MolToSmiles。注意，它默认会做凯库勒化，生成规范SMILES。
• 分子标准化：比如去除氢原子、处理同位素、检查化合价。
• 指纹与子结构搜索：用来过滤不需要的片段。
• 计算描述符：分子量、LogP、氢键供体/受体数量等，可以用来做验证。

安装很简单，用 pip 直接装：

pip install rdkit

我有一个项目，需要清洗百万级SMILES。踩过一个坑：MolFromSmiles 对某些含括号的特殊符号会报错，返回 None。那时我加了个 try-except 把这部分行记录下来，再人工修正。嗯，所以用RDKit一定要养成检查返回值的习惯。

from rdkit import Chem

def clean_smiles(smiles):
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return None
    # 去除氢原子，得到“规范”SMILES
    canonical = Chem.MolToSmiles(mol, canonical=True)
    return canonical

3.2 Open Babel —— 格式转换的“万能胶”

Open Babel，我把它叫做“格式转换的老黄牛”。它支持上百种化学文件格式，SDF、MOL、SMILES、InChI……只要你能想到的，它基本都能读能写。

主要用途：

• 把 SDF 批处理转换成 SMILES 文件。
• 把 SMILES 转换为 InChI 或 InChIKey 做交叉验证。
• 在命令行下一条命令搞定批量转换，不需要写代码。

我最常用的是它的命令行模式：

obabel input.sdf -O output.smi --gen2d

这条命令会自动生成2D坐标，同时算出规范SMILES。不过注意，Open Babel 的规范算法和 RDKit 不完全一致，同一个分子可能会得到两个不同的 “规范” SMILES。所以别把它俩的输出直接拿来当 key 做去重。我一开始没注意，导致数据库里出现大量“重复”数据，排查了半天……

3.3 ChemAxon —— 专业级的商业解决方案

ChemAxon（主要是 JChem 库）是商业软件，有免费学术许可。它的强项是化学结构标准化、手性处理、互变异构体识别。说实话，在处理含立体化学的 SMILES 时，RDKit 和 Open Babel 有时会“含糊”，ChemAxon 的算法更精细。

我个人习惯在管线中这样用：

1. 先用 RDKit 做基础清洗（修复价态、去除不合法原子）。
2. 再传给 ChemAxon 做手性标记和互变异构体标准化。
3. 最后用 ChemAxon 的 Standardizer 功能，按照我定义的规则（比如去掉某些保护基）做最终规范化。

安装 ChemAxon 的 Python 接口需要先下载 JChem 套件，然后配置环境变量：

export JAVA_HOME=/path/to/java
export CHEMAXON_HOME=/path/to/jchem
pip install chemaxon-python

from chemaxon import standardizer

def standardize_with_rules(smiles):
    mol = standardizer.standardize(smiles)
    return mol.toFormat('smiles')

3.4 PubChemPy —— 从外部数据库验证SMILES

PubChemPy 是一个轻量级的 Python 包，用来访问 PubChem 数据库。它的核心作用：帮你查一下某个 SMILES 是不是真的存在，或者它的标准名是什么。

常用场景：

• 对可疑的 SMILES 进行“交叉验证”——用这个 SMILES 去 PubChem 检索 CID，看能否匹配到已注册化合物。
• 批量获取化合物的官方 InChIKey 或规范名称，用来做后续的同一性比较。
• 当 SMILES 格式不规范时，尝试用 PubChem 的标准化接口返回一个官方版本。

安装：

pip install pubchempy

一个简单例子：

import pubchempy as pcp

def get_standard_smiles_from_pubchem(smiles):
    try:
        results = pcp.get_compounds(smiles, 'smiles')
        if results:
            return results[0].canonical_smiles
    except:
        return None
    return None

3.5 工具对比一览

四个工具各有侧重，我整理了一张表，方便你对照选择：

3.6 我的建议：如何组合使用

说真的，没有哪个工具能包打天下。我通常这样搭：

1. 第一道关：RDKit —— 读入所有SMILES，用 MolFromSmiles 过滤掉无法解析的，生成规范SMILES。
2. 第二道关：Open Babel —— 如果源数据是 SDF 等文件，或者需要转成 InChI，用它一次性转。
3. 第三道关：ChemAxon —— 对已知手性中心做标记，处理互变异构体。
4. 第四道关：PubChemPy —— 抽检可疑SMILES（比如含稀有元素或异常长度），用PubChem做校验。

当然，如果你的数据量不大，只靠 RDKit 加一些手写规则也能跑起来。但我建议从一开始就搭好管线，后面扩展时不用返工。你想想看，清洗工作最怕的就是重复劳动。