📚 课程目录第3章 SMILES与分子编码

SMILES 与分子编码：从字符串到图

说到分子表示，我脑子里第一个蹦出来的就是 SMILES。这玩意儿当年刚出来的时候，化学信息学领域可算是炸了锅——一个字符串就能代表一个分子，太方便了。

可问题是，咱们搞图神经网络的人，不能直接拿字符串去训练模型。你想想看，字符串是序列数据，分子是图结构，这里面有个「翻译」的过程。

SMILES 的基本语法

SMILES 其实就是一个线性表示的分子。它的规则不复杂，我简单给你捋一下：

原子：用元素符号表示，比如 C、N、O。有机小分子里最常见的就那么几个。
键：单键直接写，双键写 =，三键写 #。
分支：用圆括号 () 包起来。比如 CC(O)C，中间的 (O) 就是个支链。
环：用数字标记环的起点和终点。比如 C1CCCCC1，这个 1 就是环的闭合标记。

举个例子，乙醇的 SMILES 是 CCO。看着简单吧？但你要是处理复杂分子，比如紫杉醇，那字符串能长得让你怀疑人生。

个人小技巧：刚开始接手项目时，我总拿 SMILES 字符串直接去训练图网络，结果死活收敛不了。后来才发现，SMILES 是不唯一的——同一个分子可以有无数种写法。所以，正规化（Canonicalization）是必须的。

SMILES 正规化

正规化说白了就是让同一个分子的 SMILES 只有一种形式。RDKit 里有个函数叫 MolToSmiles，你传一个分子对象进去，出来的 SMILES 就是正规化后的。

from rdkit import Chem

mol = Chem.MolFromSmiles('CCO')
canonical_smiles = Chem.MolToSmiles(mol)
print(canonical_smiles)  # 输出：CCO

我记得有一次，我从三个不同的数据库下载同一个分子的 SMILES：

数据库 A：c1ccccc1
数据库 B：C1=CC=CC=C1
数据库 C：c1ccc(cc1)

乍一看都不一样，但 RDKit 的正规化能帮我统一成 c1ccccc1。没有这一步，你后面的建模全是坑。

从 SMILES 到分子图

好了，现在字符串有了，怎么变成图？

分子图本质上就两个东西：节点和边。节点是原子，边是化学键。

每个原子需要一组特征。我常用的是：

特征	说明	示例
原子种类	C, N, O, S, 卤素等	one-hot 编码
原子度数	连接的键的数量	0, 1, 2, 3, 4
形式电荷	原子上的净电荷	-1, 0, 1
氢原子数	隐含的氢原子数量	0, 1, 2, 3
杂化类型	sp, sp2, sp3	one-hot 编码

每条边呢，特征更简单：

键的类型：单键、双键、三键、芳香键
是否在环里：0 或 1
键的共轭状态：0 或 1

RDKit 里有一个 MolFromSmiles 函数，它返回的就是一个分子对象。从这个对象里，你可以提取出上面说的所有特征。我个人习惯写一个工具函数：

def mol_to_graph_data(mol):
    atoms = mol.GetAtoms()
    bonds = mol.GetBonds()
    
    node_features = []
    for atom in atoms:
        feat = [
            atom.GetAtomicNum(),
            atom.GetDegree(),
            atom.GetFormalCharge(),
            atom.GetTotalNumHs(),
            atom.GetHybridization()
        ]
        node_features.append(feat)
    
    edge_index = []
    edge_features = []
    for bond in bonds:
        i = bond.GetBeginAtomIdx()
        j = bond.GetEndAtomIdx()
        edge_index.append([i, j])
        edge_index.append([j, i])  # 无向图
        edge_features.append(bond.GetBondTypeAsDouble())
        edge_features.append(bond.GetBondTypeAsDouble())
    
    return node_features, edge_index, edge_features

注意：图神经网络一般用无向图。所以每条边你都得加两条——[i, j] 和 [j, i]。我曾经在项目初期没加对称边，结果模型学出来的特征全是错的。

其他分子编码格式

除了 SMILES，还有几种常见的分子编码。我做项目时都接触过，简单给你对比一下：

编码格式	优点	缺点	适用场景
SMILES	轻量，人类可读	不唯一，不保证完整性	日常开发，数据存储
InChI	唯一，层级化结构	字符串很长，人类难读	数据库索引，标准化
SELFIES	完全鲁棒，不会出错	相对较新，工具链不成熟	生成式模型

我个人觉得，做图神经网络，SMILES 加正规化就够用了。但你要是做分子生成，SELFIES 是个更好的选择——因为它的语法不会产生非法分子。

本章知识体系

下面这张图展示了从 SMILES 字符串到分子图结构的完整流程：

RDKit 常用操作速查

下面这些是我平时用得最多的 RDKit 操作，记下来能省很多事：

from rdkit import Chem
from rdkit.Chem import AllChem, Descriptors

# 读取 SMILES
mol = Chem.MolFromSmiles('CCO')

# 获取 SMILES（正规化）
canon_smiles = Chem.MolToSmiles(mol)

# 获取分子量
mw = Descriptors.ExactMolWt(mol)

# 生成 3D 构象
mol = Chem.AddHs(mol)
AllChem.EmbedMolecule(mol, randomSeed=42)
AllChem.MMFFOptimizeMolecule(mol)

# 写入 SDF 文件
writer = Chem.SDWriter('output.sdf')
writer.write(mol)
writer.close()

核心总结：SMILES 只是起点。你得先正规化，再提取原子和键的特征，最后组装成图结构。这一步做好，后面的 GNN 才能跑得起来。

说实话，我刚开始搞图神经网络的时候，真是被这些 SMILES 的坑整得够呛。但 RDKit 这工具确实好用——你想想看，一个开源库能处理那么多化学格式，本身就是个奇迹。

最后提醒一句：别把 SMILES 直接当特征输入给神经网络。那种做法多半会翻车。老老实实转成图，才是正路。