分子数据基础：SMILES、InChI 与图结构
做 ADMET 预测，第一道坎就是怎么把分子“喂”给模型。
你可能手头有几十万个化合物，每个都是字符串或结构文件。模型看不懂化学式，它只认向量、图或者序列。所以，分子表示就是搭在化学世界和深度学习之间的桥。
我个人习惯先搞清楚三套表示法：SMILES、InChI 和分子图。前两个是文本形式，最后一个是显式拓扑结构。下面一个一个说。
1. SMILES 表示法
SMILES 全称 Simplified Molecular Input Line Entry System。说白了，就是一条字符串，把分子“打平”写出来。
- 原子：大写字母代表元素，比如 C 是碳，O 是氧。小写字母 c 表示芳香碳。
- 键：单键默认不写，双键用
=，三键用#。 - 分支：用圆括号
()括起来。比如乙醇：CCO；异丙醇：CC(C)O。 - 环：用数字标记环的起点和终点，比如苯：
c1ccccc1。
Chem.MolToSmiles(mol, canonical=True) 转一下，否则模型会学到“写法不同即分子不同”的假规律。
举个例子，阿司匹林（阿斯匹林）的 SMILES：
CC(=O)Oc1ccccc1C(=O)O看着复杂，拆开其实很简单：一个苯环，连着羧基和酯基。我在做 Tox21 数据清洗时，发现原始数据里有几百个 SMILES 写错了环数字或者漏了括号——跑出来的模型性能直接掉 5 个点。所以，数据预处理时务必用 RDKit 校验。
2. InChI 与国际化学标识符
SMILES 虽然流行，但它不唯一。同一个分子，不同工具、不同规则能写出不同 SMILES。InChI 就是来解决这个问题的。
InChI（International Chemical Identifier）由 IUPAC 制定，是一种分层表示的规范标识符。它包含了分子的连接性、同位素、立体化学和电荷信息。
比如水的 InChI：
InChI=1S/H2O/h1H2结构是：版本 1S，分子式 H2O，连接层 /h1H2（表示一个氢原子两个氢）。
InChIKey 是哈希后的 27 字符定长串，适合数据库索引。我一般在做跨数据集合并时用 InChIKey 去重，很少用 SMILES——因为不同来源的 SMILES 写法差异太大。
MolToInchi 是纯 Python 实现的……后来换成 MolToInchiKey 快了三倍。
3. 分子图结构
图神经网络的兴起让分子图成为主流输入。每个原子是一个节点，每个化学键是一条边。节点特征通常包含：原子种类、度数、电荷、是否在环中、杂化类型等。边特征包含键类型（单/双/三/芳香键）、是否共轭等。
我从 SMILES 构建分子图的典型流程：
- 用 RDKit 读取 SMILES，生成
Mol对象。 - 提取原子特征（比如 one-hot 编码元素、隐式氢数、形式电荷）。
- 提取键特征（键类型、是否在环中）。
- 组装成
torch_geometric.data.Data或dgl.DGLGraph。
你不必每次自己写特征提取，rdkit.Chem.rdMolDescriptors 和 dgllife.utils 都有现成函数。但要注意特征对齐：训练集和测试集必须用同一套特征定义。有一次我换了 RDKit 版本，原子特征顺序变了，模型直接崩了。
4. 开源 ADMET 数据集概览
做 ADMET 预测离不开高质量标注数据。下面是我常用的几个公开数据集：
| 数据集 | 任务类型 | 分子数 | 关键标签 | 来源 |
|---|---|---|---|---|
| Tox21 | 多分类（12 个毒性终点） | ~7,800 | NR-AR, NR-AR-LBD, SR-ARE 等 | NIH Tox21 挑战 |
| ESOL | 回归（水溶性 logS） | 1,128 | 实验测量的溶解度 | Delaney (2004) |
| FreeSolv | 回归（水合自由能） | 643 | ΔG (kcal/mol) | Mobley Lab |
| Lipophilicity | 回归（logD7.4） | 4,200 | 实验 logD | ChEMBL 子集 |
| BBBP | 二分类（血脑屏障透过性） | ~2,000 | 是否透过 | MoleculeNet |
下载方式：MoleculeNet 已经整合了大部分数据集，用 deepchem.molnet.load_tox21 或 dgllife.data.Tox21 就能直接拉。不建议自己爬，一是伦理问题，二是数据清洗太耗时。
5. 知识体系图
下面这张 SVG 概括了从分子表示到数据集的完整路径：
6. 实用小工具和日常避坑
- 快速查看分子：
from rdkit.Chem import Draw; Draw.MolToImage(mol)直接画图。 - SMILES 统一：训练前跑一遍
Chem.MolFromSmiles(smi)+Chem.MolToSmiles(mol)做规范化。 - 数据集拆分：不要用随机拆分，用 scaffold 拆分（基于分子骨架），否则测试集和训练集太像，结果虚高。
- 内存管理：处理 10 万以上分子时，我建议用
pandas分批读，每批 5000 个分子转图，不然显存爆掉。
好了，这些就是分子数据基础的全部要点。下一步咱们就可以拿着这些数据，开始搭建自监督预训练模型了。