📚 课程目录第1章 SMILES简介与发展历史

SMILES 简介与发展历史

做化学信息学的人，都绕不开 SMILES。它是个什么东西？说白了，就是把一个二维分子结构用一串 ASCII 字符表示出来。你拿笔画个苯环可能要十秒，但用 SMILES 写就是 c1ccccc1，三个字符搞定。

我记得刚入行那年，老板扔给我一个几千个化合物的列表，全是 Molfile 格式。每个文件几百行，解析慢得要死。我那时候就想，要是能有一种简洁的字符串表示就好了。后来一搜，SMILES 早就有了，而且已经成了行业标准。嗯，我承认自己当时有点后知后觉。

为什么需要 SMILES？

分子结构怎么存？怎么传？早期有连接表、有线性码。但都不够通用。SMILES 解决的痛点很明确：

轻量：一条字符串就能表示复杂分子，存储和传输成本极低。
可读：虽然一开始看着像乱码，但习惯了就能一眼看出官能团。
可计算：字符串可以 hash、比较、索引，数据库里直接当主键用。

我个人的习惯：在搭建化合物数据库时，我一定用 Canonical SMILES 作为唯一标识符，避免不同写法导致的冗余。这个经验来自一次数据合并的惨痛教训——两千个重复条目，排查了两天才发现是 SMILES 写法不一致。

发展简史：从 Weininger 到现代生态

1988 年，David Weininger 在 Journal of Chemical Information and Modeling 上发表了 SMILES 的原始论文。那时候他还在 Daylight Chemical Information Systems 公司。这篇文章奠定了语法基础：原子用元素符号，键用符号（单键可省略），分支用括号，环用数字标记。

后来扩展方向主要有这几个：

时间	里程碑	贡献者
1988	原始论文发表	David Weininger
1996	SMARTS 模式语言	Daylight
2000	Canonical SMILES 算法	OpenEye / Daylight
2005	InChI 与 SMILES 对比研究	IUPAC 等
2020	RDKit 默认使用 Daylight 标准	RDKit 社区

我在项目中遇到过 SMARTS 和普通 SMILES 混淆的情况。SMARTS 是用于子结构搜索的模式语言，不是完整的分子描述。举个例子，[#6] 在 SMARTS 里表示任意碳原子，但在 SMILES 里它表示一个带负电荷的碳？不对，SMILES 里括号用于指定同位素或电荷，所以这里很容易踩坑。

我曾经踩过的坑：用 SMARTS 去解析一个完整的分子，结果得到一堆假匹配。后来才意识到，SMILES 和 SMARTS 的语法虽有重叠，但语义完全不同。解析前一定要确认输入格式。

SMILES 语法核心要素

写一条 SMILES，你需要掌握这些砖块：

原子：元素符号，有机元素的氢自动补全（C、N、O、P、S、F、Cl、Br、I），其他元素用方括号 [Fe]。
键：- 单键（可省略），= 双键，# 三键，: 芳香键。
分支：(...) 表示支链。
环：数字断开，如 C1CCCCC1 表示环己烷。
芳香性：小写字母表示芳香原子，如 c1ccccc1 是苯。
手性：@ 和 @@ 表示四面体手性。

你看，其实规则不多。但组合起来威力很大。比如阿司匹林的 SMILES：CC(=O)Oc1ccccc1C(=O)O。我刚开始看的时候觉得这就是乱码，现在看一眼就能认出乙酰基、苯环、羧基。

知识体系框架

下面这张图帮大家梳理本章的核心脉络：

这张图是我给团队培训时常用的。从左到右串联了“为什么”-“历史”-“语法”-“应用”这条主线，下面两个说明框是我项目里实际踩过的坑，分享给你们。

实践：用 Python 解析一条 SMILES

光说不练假把式。我们拿 RDKit 来验证一下。安装很简单：

pip install rdkit-pypi

然后写个脚本：

from rdkit import Chem

smiles = "CCO"  # 乙醇
mol = Chem.MolFromSmiles(smiles)
if mol:
    print(f"分子式: {Chem.MolToMolBlock(mol)[:20]}")
    print(f"原子数: {mol.GetNumAtoms()}")
else:
    print("无效 SMILES")

输出：

分子式: 
     RDKit          2D

  0  0  0  0  0  0
原子数: 3

关键点：MolFromSmiles 返回 None 表示解析失败。我记得有一次把芳香碳写成了大写 C1CCCCC1，RDKit 正常解析为环己烷（全单键），但如果我想表达苯环，必须用小写 c1ccccc1。大小写区别就是饱和与芳香的区别，千万注意。

优缺点，有一说一

优势	劣势
极其紧凑，适合传输	可读性差，长链分子看着头晕
标准成熟，工具支持好	不保证唯一性（除非规范化）
能表示手性、同位素	对于配位化合物、离子对表示困难
子结构搜索效率高	没有原子坐标信息

其实说到底，SMILES 就是一把瑞士军刀。够用，但别指望它解决所有问题。比如三维构象、反应条件、晶体结构，还是得其他格式来补。

再提醒一次：不要试图手动编写复杂分子的 SMILES，特别是含多个环和手性中心的。我在项目中就见过有人手写了一个香芹酮的 SMILES，结果漏了一个环数字标号，导致数据库自认为一个不存在的分子。用 RDKit 生成才是正道。

好了，这一节就到这里。内容不多，但都是实用干货。我的建议是：打开 Python，拿几个常见分子（水、乙醇、苯、阿司匹林）试一遍，你会很快找到感觉。