📚 课程目录第4章分子表示与标准格式

4. 分子表示与标准格式：SMILES、InChI、SDF、MOL2 文件解析

做 ADMET 数据处理，首先得搞清楚你手里拿的是什么格式的数据。

说实话，我刚开始接触这行的时候也踩过坑——拿到的分子文件五花八门，有的看起来像乱码，有的打开全是二进制。后来才发现，搞懂几种主流格式，是预处理的第一步，也是最关键的一步。

这章我们聊四种最常用的分子表示法：SMILES、InChI、SDF 和 MOL2。每种都有它的脾气，我在项目里都吃过它们的亏，今天一并说清楚。

4.1 SMILES：最火的线性表示法

SMILES 全称是 Simplified Molecular Input Line Entry System。说白了，就是用一行字符串表示一个分子。

比如苯，SMILES 是这样的：

c1ccccc1

水的 SMILES 更简单：

你看，一个字母就代表了整个分子。SMILES 的优点是紧凑、易读、方便存储。一个 CSV 文件里放 SMILES 列，比放完整的分子结构节省太多空间。

SMILES 的规则要点：

原子用元素符号表示，有机元素（C、N、O、P、S、卤素）可省略方括号，其他元素需写完整（例如 [Fe]）
单键用 -，双键用 =，三键用 #
分支用括号 () 包裹
环通过数字标记，比如 c1ccccc1 表示六元环
手性用 @ 或 @@ 表示

我曾经踩过的坑：SMILES 不唯一。同一个分子可以有多种写法。比如乙醇，可以写成 CCO，也可以写成 OCC。看起来一样，但对程序来说可能不同。所以做数据合并时一定要先标准化（canonicalize）。我建议用 RDKit 统一转成规范 SMILES。

举个解析例子，用 Python 读取 SMILES：

from rdkit import Chem

smiles = "CCO"
mol = Chem.MolFromSmiles(smiles)
if mol:
    print("分子有效:", Chem.MolToSmiles(mol))
else:
    print("SMILES 无效")

我个人的习惯是：在任何 pipeline 的第一步，先用 RDKit 把所有 SMILES 校验一遍。无效的直接过滤，免得后面出错查半天。

4.2 InChI：为了标准化而生

为什么有了 SMILES 还要 InChI？

因为 SMILES 不唯一。你写一个，我写一个，谁敢保证长得一样？InChI（International Chemical Identifier）就是来解决这个问题的——它为每个分子生成唯一的、结构化的标识符。

看看 InChI 长什么样：

InChI=1S/C2H6O/c1-2-3/h3H,2H2,1H3

这是乙醇的 InChI。注意这个格式：1S 表示版本号，然后是分子式 C2H6O，后面跟着连接表和氢原子信息。

InChI 的优点：

唯一性高，适合作为分子索引
可逆，从 InChI 能还原出分子结构
有层级结构，不同级别的信息可以选择性去掉

InChIKey：更短的哈希版本，固定 27 个字符，适合用作数据库主键。

例如乙醇的 InChIKey：

LFQSCWFLJHTTHZ-UHFFFAOYSA-N

  我这几年做数据整合的经验：在需要合并多个来源的分子数据时，用 InChI 或 InChIKey 做匹配，比用 SMILES 可靠得多。SMILES 容易产生假重复，InChI 基本不会。

用 RDKit 互转的例子：

from rdkit import Chem

smiles = "CCO"
mol = Chem.MolFromSmiles(smiles)
inchi = Chem.MolToInchi(mol)
inchikey = Chem.MolToInchiKey(mol)
print("InChI:", inchi)
print("InChIKey:", inchikey)

4.3 SDF：带属性的分子存储格式

SMILES 和 InChI 都是线性字符串，能存结构，但存不了其他信息——比如活性数据、分子量、logP。这时就需要 SDF（Structure Data File）。

SDF 是一种表格式的分子文件。一条记录包含：

分子结构（用 MOL 块描述）
数据字段（以 > <字段名> 分隔）
以 $$$$ 结束

一个典型 SDF 记录长这样：


  ChemDraw01071922332D

 34 35  0  0  0  0  0  0  0  0999 V2000
    5.1730   -1.2510    0.0000 C   0  0  0  0  0  0  0  0  0  0  0  0
    4.9230   -0.4210    0.0000 C   0  0  0  0  0  0  0  0  0  0  0  0
    ...
M  END
> <IC50>
12.5

> <MW>
180.16

$$$$

SDF 的用途：

批量存储分子库，一个文件包含多个分子
每个分子可携带任意数量的自定义属性
支持 2D/3D 坐标

注意：SDF 文件里的字段名容易弄错。我遇到过 > <LogP> 和 > <logP> 混着写的情况，解析出来全是 NaN。所以写代码时一定要统一字段名大小写，最好全部转小写再处理。

Python 解析 SDF：

from rdkit import Chem

supplier = Chem.SDMolSupplier("data.sdf")
for mol in supplier:
    if mol is None:
        continue
    print("分子: ", Chem.MolToSmiles(mol))
    # 获取属性
    ic50 = mol.GetProp("IC50") if mol.HasProp("IC50") else None
    print("IC50: ", ic50)

4.4 MOL2：来自 Sybyl 的精细格式

MOL2 是 Tripos 公司的 Sybyl 软件使用的分子格式。它的结构比 SDF 的 MOL 块更详细，特别适合分子对接和药效团建模。

MOL2 格式按区块组织：

@<TRIPOS>MOLECULE：分子基本信息（名称、原子数、键数等）
@<TRIPOS>ATOM：原子坐标、原子类型、电荷
@<TRIPOS>BOND：键连接信息
可选：SUBSTRUCTURE、CRYSIN 等

举个例子：

@<TRIPOS>MOLECULE
ethanol
 9 8 1 0 0
SMALL
USER_CHARGES

@<TRIPOS>ATOM
      1 C1       1.234   0.000   0.000 C.3     1  ETHANOL -0.10
      2 C2       2.567   0.000   0.000 C.3     1  ETHANOL -0.05
      3 O1       3.100   1.200   0.000 O.3     1  ETHANOL -0.35
      4 H1       0.800  -0.500   0.800 H       1  ETHANOL  0.10
      ...

@<TRIPOS>BOND
      1 1 2 1
      2 2 3 1
      3 1 4 1
      ...

MOL2 的特殊之处：

定义了 Sybyl 原子类型（如 C.3、O.3、N.ar），带出了杂化状态
可以携带形式电荷，用于静电计算
支持子结构定义，适合大分子的分块处理

我的个人建议：如果你的项目涉及分子对接（AutoDock、DOCK 等），MOL2 是必须掌握的格式。平时做 ADMET 数据预处理，我也会优先把分子转成 MOL2 再对接。因为它的原子类型信息比 SDF 丰富得多。

用 Python 读取 MOL2：

from rdkit import Chem

mol = Chem.MolFromMol2File("ethanol.mol2")
if mol:
    print("MOL2 解析成功")
    print("SMILES:", Chem.MolToSmiles(mol))
else:
    print("解析失败")

如果需要批量处理：

mols = Chem.MolFromMol2File("ligands.mol2", sanitize=True, removeHs=False)
# RdKit 读取多条目 MOL2 需用 SDMolSupplier 配合 Mol2 文件
# 或者自行逐条读取

4.5 四种格式，怎么选？

格式	优点	缺点	我的使用场景
SMILES	紧凑、易存、适合表格	不唯一、无坐标、易出错	CSV/Excel 数据，大规模筛选
InChI	唯一、标准化	字符串长、不直观	数据库索引、跨源合并
SDF	带属性、带坐标、可多记录	文件大、字段易乱	分子库存储、预测结果保存
MOL2	原子类型丰富、适合对接	格式复杂、软件兼容性一般	分子对接、药效团建模

  说穿了：选什么格式取决于下游任务。做统计用 SMILES，做合并用 InChI，做存储用 SDF，做对接用 MOL2。没有万能的格式，只有合适的场景。

我在实际项目中，常常会把这四种格式混合使用。比如：从 CSV 读 SMILES → 转成 InChI 去重 → 用 RDKit 生成 3D 坐标 → 存为 SDF → 再转 MOL2 给对接工具。这个过程用 Snakemake 串起来，就非常优雅了。

4.6 格式转换与数据清洗

最后说一下实际操作。无论你从哪个渠道拿到数据，都会遇到格式不统一的问题。

我建议的预处理流程：

统一输入格式：不管来源是 CSV、TXT 还是 SDF，先全部转成标准 SMILES
去重：用 InChIKey 做唯一键，去掉重复分子
校验：用 RDKit 检查每个分子的有效性，删掉解析失败的
标准化：统一原子类型、氢原子处理、芳香性表示
生成目标格式：按下游需求输出 SDF 或 MOL2

举个例子，批量转换 SMILES 到 SDF：

from rdkit import Chem
from rdkit.Chem import Descriptors

smiles_list = ["CCO", "c1ccccc1", "CC(=O)O"]
mols = []
for smi in smiles_list:
    mol = Chem.MolFromSmiles(smi)
    if mol:
        mol.SetProp("MW", str(Descriptors.MolWt(mol)))
        mols.append(mol)

writer = Chem.SDWriter("output.sdf")
for mol in mols:
    writer.write(mol)
writer.close()

我曾经踩过的坑：直接拿 SDF 文件里的属性值用，没检查类型。比如 IC50 字段可能存的是 "12.5"（字符串）也可能存 12.5（数字）。写解析脚本时一定要加类型判断，不然会挂掉。

这一章的重点就是搞懂这四种格式的脾气。搞懂了它们，你写 Snakemake pipeline 的时候就知道怎么选、怎么转了。