📚 课程目录第4章 SMILES预处理常见问题

4、SMILES 预处理常见问题：盐、溶剂、异构体、片段化处理

做 SMILES 预处理这几年，我踩过不少坑。很多看起来干净的分子数据集，一跑就出各种妖蛾子。其实说白了，大部分问题就出在这四个方面：

盐和溶剂混在里面没去掉
异构体标记不一致
多组分点号把混合物当成了纯化合物
或者分子本身就是个杂乱片段

嗯，今天我就把这几类问题的处理思路和实战代码一次性讲透。你想想看，如果模型读到的 SMILES 是 CC(=O)O.[Na+].[OH-]，按字符序列它会把醋酸根、钠离子和氢氧根当成一个序列去学 —— 这哪里是学分子，分明是在学一锅乱炖。

4.1 盐与溶剂的去除

我个人习惯，拿到数据集第一件事：先把盐和溶剂筛掉。为什么？因为我们要建模的是活性分子的结构与性质关系，金属离子、水分子这些小碎屑只会引入噪声。

我在处理一个激酶抑制剂数据集时发现，里面大量分子带有 [Na+]、[Cl-]、O（水）、CCO（乙醇）等溶剂残留。直接用 RDKit 的 GetSaltMol 可以搞定分离。

实战代码：

from rdkit import Chem
from rdkit.Chem import SaltRemover

smiles_list = ["CC(=O)O.[Na+]", "c1ccccc1.CCO", "CCOC(=O)c1ccccc1.[Br-]"]
salt_remover = SaltRemover.SaltRemover()

for smi in smiles_list:
    mol = Chem.MolFromSmiles(smi)
    if mol is None:
        continue
    core_mol = salt_remover.StripMol(mol, dontRemoveEverything=True)
    core_smi = Chem.MolToSmiles(core_mol)
    print(f"原始: {smi:30s} -> 核心: {core_smi}")

小提示：dontRemoveEverything=True 这个参数很关键。如果没有它，遇到纯盐（比如 [Na+].[Cl-]）它会返回空分子，直接把样本丢了。加上这个参数后，若剥离后分子为空，返回 None。

4.2 溶剂过滤：建立一个常见溶剂名单

我常用的做法是建一个常见溶剂 SMARTS 列表，然后用 GetSubstructMatch 判断。举个例子，水、甲醇、乙醇、DMSO、丙酮这些背景溶剂，发生率极高。

solvent_smarts = [
    "[OH2]",        # 水
    "[CH3][OH]",    # 甲醇
    "CCO",          # 乙醇
    "CS(=O)C",      # DMSO
    "CC(=O)C",      # 丙酮
]

def is_solvent_only(mol):
    if mol is None:
        return True
    for smart in solvent_smarts:
        ss = Chem.MolFromSmarts(smart)
        if mol.HasSubstructMatch(ss) and mol.GetNumAtoms() <= ss.GetNumAtoms() + 2:
            return True
    return False

这里有个坑要提醒你：溶剂过滤不能只看是否匹配子结构，还要看分子总原子数。我以前被这个坑过 —— 一个大分子里恰巧含乙醇的片段，结果被误杀。

4.3 异构体处理：标准化与去除

异构体标记是另一个容易忽略的大问题。同样是亮氨酸，有人写 CC(C)C[C@@H](C(=O)O)N，有人写 CC(C)C[C@H](C(=O)O)N。如果在训练时不做标准化，模型的 SMILES 序列认识两种写法，本质是同一分子，白白浪费数据。

我建议的处理策略：

判断是否保留异构体：如果是手性预测任务，保留；如果是 ADMET 性质建模，一般去掉。
标准化：统一转化为不带手性标记的形式，但保留双键顺反。
彻底去除：用 Chem.RemoveStereochemistry 把 @、@@ 全部擦掉。

要点：我个人经验，大部分 QSAR 任务不需要异构体信息。去掉后序列变短，模型收敛速度还能提升 10%-15%。

代码示例：

def remove_stereo(smiles):
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return None
    Chem.RemoveStereochemistry(mol)
    return Chem.MolToSmiles(mol)

test_set = [
    "CC(C)C[C@@H](C(=O)O)N",   # L-亮氨酸
    "CC(C)C[C@H](C(=O)O)N",    # D-亮氨酸
    "C/C=C/C(=O)O",            # 反式-2-丁烯酸
    "C/C=C\C(=O)O"             # 顺式-2-丁烯酸
]
for smi in test_set:
    print(f"原SMILES: {smi:30s} -> 去手性: {remove_stereo(smi)}")

警告：RemoveStereochemistry 同时移除原子手性和双键顺反标记。如果任务需要保留双键的 E/Z 几何异构，只能用 ClearAtomProp 只清 @ 标记，不能一刀切。

4.4 片段化与多组分拆分

多组分 SMILES 用点号连接，比如 c1ccccc1.CCO。RDKit 解析后会得到一个 RWMol，里面有多个连通组件。如果不拆分，模型会把苯环和乙醇当做一个分子来学。

我常用的拆分方法：

from rdkit.Chem import MolFromSmiles, GetMolFrags

def split_multi_component(smiles):
    mol = MolFromSmiles(smiles)
    if mol is None:
        return []
    frag_indices = list(GetMolFrags(mol))
    frag_mols = []
    for idx_tuple in frag_indices:
        atom_map = {old: new for new, old in enumerate(idx_tuple)}
        new_mol = MolFromSmiles(Chem.MolToSmiles(mol, atomAtomMap=atom_map))
        frag_mols.append(new_mol)
    return [Chem.MolToSmiles(m) for m in frag_mols if m is not None]

print(split_multi_component("c1ccccc1.[Na+].[OH-]"))
# 输出: ['c1ccccc1', '[OH-]', '[Na+]']

具体用哪种策略，得看任务场景：

场景	推荐策略
物化性质预测	保留最大的片段，丢弃盐和溶剂
毒性预测	保留所有有机片段
生成模型训练	仅保留片段，舍弃盐和溶剂
手性合成预测	保留异构体标记，拆分多组分

一个小技巧：在处理大规模数据集时，建议把“保留最大片段”作为默认策略。我公开数据集处理经验，约 30% 的多组分样本里，真正的活性成分就是那个原子数最多的片段。

4.5 预处理全流程串联

实际项目中，我通常把这几个步骤串联成一个流水线：
输入原始 SMILES → 解析 → 去除盐和溶剂 → 异构体处理 → 多组分拆分 → 输出标准 SMILES

核心判断标准：预处理后的 SMILES 必须满足三条 ——

1. 每个 SMILES 只包含一个有机共价骨架。

2. 不含离子、溶剂、小分子杂质。

3. 异构体标记根据任务需求做标准化。

三者缺一不可。

最后送你一个避坑指南：

不要迷信 RDKit 的默认解析：它不会自动帮你做预处理。
不要直接套用别人的过滤列表：不同数据集的盐和溶剂种类差异很大，最好先做一轮统计。
不要忘记处理空分子和解析失败的情况：有些 SMILES 写错了（比如方括号不配对），你得做好异常捕获。

嗯，预处理这块儿虽然啰嗦，但确实是模型效果的上限锁。处理好了，后面的特征工程和模型训练才能事半功倍。