第1章：分子表示与特征概述

说到分子特征编码，我得先跟你聊聊最基础的问题：分子到底该怎么“告诉”计算机？这可不是个简单事。分子是三维的、动态的、充满电子的复杂实体，但计算机只认数字和符号。你想想看，怎么能把一个分子塞进Transformer模型里？

做这个课程之前，我在制药公司干了几年分子建模。那时候处理的数据集动不动上百万个分子，每种表示方法都有坑。有的表示法信息全但计算慢，有的快但丢关键结构。今天这一章，我把常见的几种分子表示法掰开揉碎了讲清楚。

1.1 SMILES：最流行的线性表示法

SMILES全称Simplified Molecular Input Line Entry System。说白了，就是把分子结构“压扁”成一行字符串。比如乙醇（酒精）的SMILES是：

CCO

够简单吧？C代表碳，O代表氧，后面的数字表示分支或环。比如苯环的SMILES是：

c1ccccc1

小写的c代表芳香碳，数字1是环的“成对标签”。

优点：

• 字符串格式，天然适合RNN、Transformer等序列模型
• 存储紧凑，一个分子几十个字符搞定
• 可读性好，化学家一眼能看懂大致结构

缺点：

• 同一分子有多种表示——比如乙醇可以写成CCO、OCC，甚至带括号的变体。这会导致模型认为它们是不同分子！
• 缺乏三维构象信息，立体化学处理复杂
• 对大型分子（如多肽）字符串会很长，计算效率下降

1.2 InChI：国际标准化表示

InChI（International Chemical Identifier）是IUPAC主导开发的标准化标识符。它不像SMILES那样追求简洁，而是把分子的结构信息分层编码。比如水的InChI是：

InChI=1S/H2O/h1H2

这串字符里：

• 1S 表示版本号
• H2O 是分子式
• h1H2 描述氢原子连接

InChI还有个“兄弟”叫InChIKey，是把长InChI哈希成固定长度的字符串（27字符）。比如水的InChIKey是：

XLYOFNOQVPJJNP-UHFFFAOYSA-N

优点：

• 唯一的表示——一个分子只有一种标准InChI，彻底解决SMILES多表示问题
• 分层结构，可以按需忽略或保留某些信息（比如立体化学、同位素）
• 数据库查询的首选，PubChem、ChEBI等都用它做主键

缺点：

• 字符串可读性极差，人类几乎无法直接从InChI猜出分子结构
• 编码长度比SMILES长很多，对大分子数据集存储不友好
• 生成和解析需要RDKit等工具，比SMILES慢一个数量级

1.3 分子图：最贴近化学直觉的表示法

分子图是把原子看作节点（Node），化学键看作边（Edge）。比如水的分子图就是：一个氧节点连着两个氢节点，每条边表示一个单键。

这种表示法非常自然，因为化学家本来就是靠画“结构式”来理解分子的。每个原子可以用它的元素种类、孤对电子数、杂化状态等作为节点特征；每条边可以用键级（单键、双键、三键）、芳香性等作为边特征。

优点：

• 天然保留拓扑结构，适合GNN、图Transformer等模型
• 可以灵活加入原子级和键级特征，信息丰富
• 能处理三维构象（在节点中加入坐标信息）

缺点：

• 图结构不固定，节点和边的数量因分子而异，给批量计算带来麻烦（需要padding或batching策略）
• 存储结构比字符串复杂，需要额外的邻接矩阵或边列表
• 构建图的计算成本比解析SMILES高

1.4 三种表示法对比

表示法	数据结构	信息完整性	计算效率	唯一性	模型适配
SMILES	字符串	中等（缺三维）	高	低（需标准化）	序列模型
InChI	字符串	高（含立体化学）	中	高	序列模型（需特征化）
分子图	图（节点+边）	高（可扩展）	低（构建慢）	高（按定义构建）	图模型

1.5 从表示到特征：为什么需要编码？

不管是SMILES字符串还是分子图，都不能直接喂给Transformer吃。Transformer吃的是数字向量。所以我们需要一个“翻译”步骤，把分子结构化表示转为数值特征向量。

常用的特征化方法包括：

• One-hot编码：把每个原子或子结构映射成稀疏向量
• 分子指纹：如摩根指纹（Morgan Fingerprint），把分子结构哈希成固定长度的0/1向量
• 原子属性向量：给每个原子分配一个特征向量，包含元素种类、价电子数、电荷等
• 预训练嵌入：用大量无标签分子学出来的向量表示，类似NLP中的Word2Vec

我个人偏好先用分子指纹做快速实验，然后逐步过渡到原子级特征向量。这样能快速验证任务可行性，再精细化模型设计。

下面这张图展示了分子从原始结构到Transformer输入的完整流程：

从这张图可以看出，不管我们选哪种分子表示法，最终都要经过 特征化（Featureization） 这一关，才能进入Transformer的世界。这恰恰是本书后面要重点讲的内容。

1.6 怎么选？我给的建议

你可能会问：这么多表示法，我到底该选哪个？我给出的选择策略是这样的：

1. 先看任务类型：如果做分子生成（如药物分子设计），SMILES直接做序列生成最简单；如果做性质预测（如毒性、溶解度），分子图+GNN效果好；如果做跨库匹配（如数据库去重），InChI是唯一标准。
2. 考虑数据规模：几百万分子的超大数据集，优先用SMILES（生成快、存储小）；几千分子的中小规模，用分子图更精细。
3. 不要一条路走到黑：我经常做多表示法融合实验——用SMILES的序列语义和分子图的结构信息一起训练。很多任务上效果比单一表示法好5%~15%。