第1章 分子基础概念与化学空间
做ADMET预测，得先跟分子混个脸熟。我见过不少同学一上来就调模型，结果连输入的分子长什么样都说不清——说白了，特征工程如果连基础概念都含糊，后面跑出来的结果只能靠运气。这一章咱们把地基夯实：从原子、化学键，一直聊到化学空间，中间穿插SMILES和分子指纹这些“分子身份证”。你听完就能明白，为什么深度学习里的分子表征都是从这些东西演化而来的。
1.1 原子与化学键——分子的积木
分子由原子组成，这个不用多讲。但做ADMET时，哪些原子需要特别关注？
- 碳、氢、氧、氮、硫——有机物里的常客，几乎所有药物分子都绕不开。
- 卤素（F、Cl、Br、I）——改代谢、透膜率的时候特别有用。我记得有次做CYP450抑制预测，不加卤素特征，模型死活学不准。
- 金属原子（如Fe、Zn）——某些配合物药物要用，不过比例很小。
化学键决定了分子的刚性、可旋转程度，直接影响ADMET性质。比如，芳香键通常比较平面，容易堆叠，可能导致水溶性差；单键可以旋转，分子柔性大，渗透性可能更好。
一个小习惯：我建特征的时候，会把原子类型、杂化状态、形式电荷都编码成独热向量。你想想，同样一个碳原子，在羰基里和在甲基里，化学行为差太多了。不分开处理，模型会犯错。
1.2 分子式与SMILES表达
分子式是最直接的表示，比如C₆H₆（苯）。但你给模型一个字符串“C6H6”，它根本不知道环在哪里。所以实际工作中，我们用SMILES（Simplified Molecular Input Line Entry System）。
SMILES用ASCII字符描述分子结构，简单例子：
乙醇: CCO
苯: c1ccccc1
对乙酰氨基酚: CC(=O)Nc1ccc(O)cc1规则不复杂：原子用元素符号；键用-、=、#表示单/双/三键；环用数字标开环闭环。我刚开始学的时候，被“c1ccccc1”绕晕过——其实就是把苯环的6个碳顺次连起来，c表示芳香碳，1表示环编号。
避坑指南：SMILES不唯一。同一个分子可能有多个合法SMILES字符串。比如“CCO”和“OCC”都表示乙醇。如果你拿SMILES当字符串直接扔进NLP模型，必须做规范化（Canonical SMILES），否则同一个分子会被当成两个样本。我曾经因为这个，在毒理分类任务里多了一批“重复数据”，召回率虚高。
除了SMILES，常见的还有InChI（更规范但长）和SELFIES（鲁棒性更高）。实战中SMILES还是最主流，因为RDKit、Open Babel等化学信息学工具都原生支持。
1.3 分子指纹
分子指纹是把分子编码成固定长度的二进制向量，每一位代表一个子结构是否存在。我做ADMET时最常用的是下面几种：
| 指纹类型 | 长度 | 特点 |
|---|---|---|
| MACCS (166 bits) | 166 | 预定义的166个关键子结构，简单暴力 |
| ECFP (Extended Connectivity Fingerprint) | 通常1024/2048 | 基于摩根算法，捕捉局部环境 |
| FCFP (Feature-based) | 同ECFP | 用原子特征替代拓扑号，偏向药效团 |
| RDKit默认指纹 | 可变（默认2048） | 均衡型，适合快速验证 |
举个例子，用RDKit生成ECFP：
from rdkit import Chem
from rdkit.Chem import AllChem
mol = Chem.MolFromSmiles('CC(=O)Nc1ccc(O)cc1')
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=1024)
print(fp.ToBitString()[:16]) # 打印前16位输出类似：0001101110010000...
我个人的经验是：ECFP对ADMET分类任务效果通常最好，但MACCS胜在解释性强——你可以直接说“这个分子没有芳香环，所以毒性特征缺失”。后来做多任务学习，我开始把两类指纹拼接，效果有所提升。
1.4 化学空间
化学空间是“所有可能分子的集合”。听起来很虚，但在ADMET里，它帮我们思考两个问题：
- 训练集覆盖了整个空间吗？ —— 如果模型只在某块区域训练，预测新分子就危险。
- 相似分子有相似的ADMET性质吗？ —— 化学空间上的距离与性质相关，这是迁移学习的基础。
我们通常用二维分子描述符（比如分子量、logP、氢键供体/受体数）降维到2D或3D空间，可视化分布。还有一种做法：把ECFP用t-SNE或UMAP投影，看分子聚类情况。
注意：化学空间极其稀疏——估计可能存在的有机分子数在10^60数量级，而人类合成的才1亿左右。你训练的ADMET模型，本质是在一个微小且偏置的采样上学习。所以做主动学习或迁移学习时，一定要评估目标分子离训练集有多远。我踩过坑：用FDA已上市药物训练的模型，去预测天然产物，结果全线翻车——因为结构差异太大。
为了更直观地串联整章概念，我画了一张结构图。你看一眼，基本就清楚了：
回头总结一下：原子和化学键是底层构件；分子式和SMILES是沟通化学家与计算机的桥梁；分子指纹把分子转成定长向量，供模型直接消费；化学空间则是我们思考泛化能力的大背景。下一层，咱们就要开始聊怎么用这些表示做自监督学习了——不过那得先把这章的底子捂热。
核心建议：如果你刚接触ADMET项目，先自己用RDKit画几个分子，生成SMILES和MACCS指纹，再用t-SNE投影看看它们在化学空间中的分布。这个动手过程，比看一百页理论都有用。我曾经让实习生周末干半天这个，周一回来他就能独立分析数据偏置了。