第四讲：分子表示方法
好，到这一章，我们要聊一个绕不过去的基础问题：怎么把分子喂给计算机？
你想想看，计算机又不认识苯环。它只看得到 0 和 1。如果我们想建 ADMET 模型，第一步就是得把分子结构转成它能理解的语言。这部分我叫它“分子表示方法”。我用过很多种表示法，每种都有自己的脾气。
我个人习惯把这四种记牢：SMILES、InChI、分子指纹、分子描述符。接下来一个个说。
SMILES —— 最常用的分子字符串
SMILES 说白了就是一行字符串。你写一个CCO，它就知道是乙醇。有人觉得这玩意儿很简单，其实它门道挺多。
我记得刚入行那会儿，我在一个项目里遇到过大坑：SMILES 不规范。同一个分子，两个人写的 SMILES 不一样，导致后续建出来的模型完全走偏。比如苯环，有人写c1ccccc1，有人写C1=CC=CC=C1。程序会认为它们不一样，除非你做标准化。
SMILES 几个核心规则
- 原子用元素符号表示，C 是碳，O 是氧，N 是氮；小写 c 表示芳香族碳。
- 单键隐含，双键用=，三键用#。
- 分支用括号包裹，比如
CC(=O)O是乙酸。 - 环结构用数字标记开环和闭环位置。
我在项目中常用 RDKit 来标准化 SMILES。别嫌麻烦，这一步能省后面很多 debug 时间。
from rdkit import Chem
smiles_raw = "C1=CC=CC=C1"
mol = Chem.MolFromSmiles(smiles_raw)
smiles_canonical = Chem.MolToSmiles(mol)
print(smiles_canonical) # 输出：c1ccccc1小技巧：外部验证前，记得把训练集和测试集的 SMILES 都过一遍 canonicalization。不然模型可能学到的只是写法差异，不是化学本质。
InChI —— 给分子发身份证
如果你觉得 SMILES 有点“随性”，那 InChI 就是规范化的代表。它由 IUPAC 制定，目的是让每个唯一结构只有一个 InChI 字符串。
它的特点是分层的。前面告诉你连接性，后面告诉你立体化学，再后面告诉你同位素。我给你看一个例子你就明白了。
InChI=1S/C2H6O/c1-2-3/h3H,2H2,1H3
# 乙醇的 InChI
# 第一部分：分子式 C2H6O
# 第二部分：连接性 c1-2-3 → C-C-O
# 第三部分：氢原子位置但是要注意，InChI 虽然标准化，但长度通常比 SMILES 长得多。我一般只在做数据库去重或结构匹配时用它。ADMET 项目里，如果你需要跨库比对化合物，InChI 非常可靠。
避坑：我曾经遇到过 InChI 在极端大的分子上生成失败的情况。另外，InChIKey（哈希版）虽然短，但可能有碰撞风险，别拿来做唯一标识符。
分子指纹 —— 把结构变成 0/1 向量
好，现在我们到了建模最喜欢的部分：分子指纹。为什么机器学习模型喜欢它？因为它是一长串 0 和 1，直接能当特征向量。
我常用的指纹有两类：ECFP 和 MACCS。
| 指纹名称 | 原理 | 长度 | 适用场景 |
|---|---|---|---|
| ECFP (Extended-Connectivity Fingerprint) | 以每个原子为中心，扩展周围半径的拓扑片段进行哈希 | 通常 1024 或 2048 位 | 活性预测、相似性搜索 |
| MACCS (Molecular ACCess System) | 166 个预定义的结构碎片 | 166 位 | 快速过滤、分类规则检查 |
ECFP 是“数据驱动”的——你不需要预定义任何片段，程序自动从分子中学习。我在一个先导化合物优化项目里就用它做相似度打分，效果很不错。MACCS 则更偏向“专家经验”，166 个片段的设定有点老，但胜在稳健。
代码生成例子：
from rdkit import Chem
from rdkit.Chem import AllChem
mol = Chem.MolFromSmiles("CCO")
# ECFP4, 半径2, 1024位
ecfp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=1024)
print(ecfp.ToBitString()[:64]) # 只看前64位
# MACCS指纹
from rdkit.Chem import MACCSkeys
maccs = MACCSkeys.GenMACCSKeys(mol)
print(len(maccs)) # 166位我个人习惯：在训练集上确定好指纹参数后，在外部验证集上千万不要改。半径、长度、哈希种子这些，一旦变了一点，整个特征空间就变了。
分子描述符 —— 用数字说话
如果说指纹是“细粒度”的 0/1 特征，那么描述符就是“宏观属性”。分子量、LogP、氢键供体数量、可旋转键数量……这些都是描述符。
RDKit 内置了几百个描述符，基本上覆盖了大部分常用的理化性质。Mordred 更疯，有超过 1800 个描述符。但别急着全用上——特征多了不一定好。
避坑：我曾经在一个项目里贪心用了全部 1800 个 Mordred 描述符，结果外部验证 R² 比训练集低了 0.3。过拟合了。后来老老实实只选了 50 个与药代性质强相关的描述符，效果反而好了。
from rdkit import Chem
from rdkit.Chem import Descriptors
mol = Chem.MolFromSmiles("CCO")
mw = Descriptors.MolWt(mol)
logp = Descriptors.MolLogP(mol)
hbd = Descriptors.NumHDonors(mol)
print(f"MW: {mw:.1f}, LogP: {logp:.2f}, HBD: {hbd}")
# 使用Mordred（需要安装）
from mordred import Calculator, descriptors
calc = Calculator(descriptors, ignore_3D=True)
vals = calc(mol)
print(vals['SLogP'])总结一下我个人的选择逻辑：
- 想做快速相似度搜索？用 ECFP 位向量。
- 想做结构过滤或规则检查？用 MACCS 或 SMARTS。
- 想建 QSAR 模型？用 RDKit 选一批物化描述符，再配合少量指纹。
- 想做交叉库去重或结构唯一性检查？用 InChI。
不管选哪种表示法，记住一条铁律：外部验证集和训练集的分子表示流程必须完全一致。我曾经见过有人训练集用 Mordred 2.0，验证集用 Mordred 1.0，结果算出来的描述符值都不一样——这模型根本没法验证。嗯，说到这，你应该明白为什么我会把这章放在外部验证前面了吧？