SMILES 序列基础知识

做化学信息学这几年，我反复跟团队说一句话：SMILES 是分子世界的“通用语言”。你无论是想做分子生成、性质预测，还是构象搜索，第一步一定是把这串字符吃透。

SMILES，全称 Simplified Molecular Input Line Entry System。说白了，就是用一行字符串来表达一个分子结构。别小看这一行字，它背后藏着原子、键、分支、环、芳香性等一系列规则。我个人习惯，每当接手一个新项目，第一件事不是跑模型，而是把手里的 SMILES 数据清洗一遍——你想想看，如果源头数据就有问题，模型再花哨也白搭。

1.1 原子表示：从元素符号开始

SMILES 里，原子直接用它的元素符号来表示。碳是 C，氧是 O，氮是 N。简单吧？但这里有几个坑，我以前踩过，得跟你念叨念叨。

• 大写字母是默认：C 代表碳，O 代表氧。不能写小写。
• 特殊原子用方括号：比如同位素、电荷、手性。举个例子，[13C] 表示碳-13 同位素，[NH4+] 表示铵根离子。
• 隐式氢：SMILES 默认每个原子的价键是饱和的。比如 C 自动认为连着 4 个氢。

1.2 键类型：单双三的讲究

SMILES 用不同的符号表示键的类型：

键类型	符号	示例
单键	- (可省略)	CC 或 C-C
双键	=	C=C
三键	#	C#C
芳香键	:	c1ccccc1

单键在 SMILES 里通常是可省略的。你写 CC 和 C-C 是同一个意思。但双键和三键必须写，不然模型会理解成不同的分子。

我曾经有一段做毒性预测的经历，给模型输入了一批 CC(=O)N 的数据，结果发现部分样本误写成了 CC(O)N——少了一个等号，分子完全变样。从那以后，我团队在数据预处理阶段强制用 RDKit 做 canonical SMILES 标准化。

1.3 分支：用括号“兜住”侧链

SMILES 的分支规则其实很直白：用一对圆括号把侧链包裹起来。

• 括号内的内容代表一个分支，从当前原子出发。
• 括号可以嵌套，代表多层分支。
• 分支可以出现在键的任意一侧。

举几个例子：

# 2-丙醇：主链是三碳，第二个碳上挂一个羟基
CC(O)C

# 异丁烷：主链是三碳，第二个碳上挂一个甲基
CC(C)C

# 更复杂的：甘油
OCC(O)CO

这里有个容易混淆的地方：当你看到 CC(O)C 时，别以为氧是连在第二个碳后面——实际上括号告诉解析器，羟基是作为分支连接在 C 上的。

1.4 环：数字的“配对游戏”

SMILES 处理环，用的是非常巧妙的数字标记。你想想看，一个线性字符串怎么能表达环状结构？答案就是：用数字做“握手”。

• 环起点的原子后面跟一个数字（1~99）。
• 环终点的原子后面跟同一个数字。
• 数字出现两次，就构成一个环。

最经典的例子——苯：

# 凯库勒式苯（单双键交替）
C1=CC=CC=C1

# 芳香式苯（用小写 c）
c1ccccc1

数字 1 出现了两次，分别标记环的起点和终点。

对于多个环，用不同的数字就行。比如萘：

c1ccc2ccccc2c1

这里面数字 1 和 2 各自配对，互不干扰。

1.5 芳香性：小写字母的“魔法”

SMILES 里，芳香性用小写字母来表示。c 是芳香碳，n 是芳香氮，o 是芳香氧。

为什么要有大小写区分？因为在很多情况下，芳香性和非芳香性会影响分子的化学反应性和物理性质。你想想，苯环和环己二烯，分子式相同但性质完全不同。

芳香性还有一些规则要记住：

1. 芳香环内的键：用 : 表示芳香键，但在小写字母原子之间，键符号可以省略。
2. 芳香原子必须成环：单独的 c 没有意义。
3. 匹配芳香规则：必须符合 Hückel 规则（4n+2 个 π 电子）。

1.6 知识体系总览

下面这张图是我做课程时设计的 SMILES 基础知识结构。你应该能一眼看出各个概念之间的关系——先原子，再键，然后扩展到分支、环和芳香性。

嗯，画完这张图我其实挺满意。你从顶部开始看，SMILES 字符串分解成五个核心概念，然后芳香性又跟环和键类型有紧密关联。这些概念不是孤立的，在实际编码中它们会组合出现。

1.7 一张表说清楚基本规则

为了让你快速查阅，我整理了一个速查表：

概念	表示规则	例子
原子	大写元素符号；特殊原子用 []	C、O、[Fe]
键（单键）	可省略或用 -	CC 或 C-C
键（双键）	必须写 =	C=C
键（三键）	必须写 #	C#C
分支	用 (...) 包裹侧链	CC(O)C
环	用数字标记环首尾	C1CC1
芳香性	小写字母，可选 : 键	c1ccccc1

我在实际项目中，尤其是处理化学数据库时，经常用这张表来快速排查 SMILES 格式问题。你把它记在脑子里，至少能避开 80% 的初级错误。