分子表示基础：SMILES字符串、分子图、分子指纹与向量化方法
做分子生成，第一个绕不开的问题就是：怎么让深度学习模型"看懂"分子？
你不能直接把一个分子结构图扔给神经网络。模型只吃数字，不吃结构式。所以，我们需要把分子转成计算机能处理的形式。这就是分子表示。
我个人习惯把分子表示分成四个流派：字符串派（SMILES）、图流派（分子图）、指纹派（分子指纹）和向量派（向量化方法）。每个流派都有自己的脾气，咱们一个一个聊。
1. SMILES字符串——分子的"一行诗"
SMILES全称是Simplified Molecular Input Line Entry System。说白了，就是把分子结构写成一行字符串。我刚开始接触时觉得挺神奇——一个苯环居然能用 c1ccccc1 六个字符搞定。
SMILES的规则其实不复杂：
- 原子用元素符号表示：C（碳）、O（氧）、N（氮）、c（芳香碳）等。
- 单键直接连，双键用
=，三键用#。 - 分支用括号
()，比如乙醇CCO没分支，但异丙醇就是CC(C)O。 - 环用数字标记，比如苯环
c1ccccc1，数字1首尾配对。
举个例子，阿司匹林的SMILES长这样：
CC(=O)Oc1ccccc1C(=O)O你看，括号、等号、数字全用上了。这串字符虽然看着乱，但模型非常爱吃。
Chem.MolToSmiles() 默认就是标准输出。
@ 或 @@ 标记，初学者容易漏掉。我曾经在一次生成任务中，因为没处理手性标记，生成的分子有一半是镜像异构体……
2. 分子图——从拓扑角度看分子
分子本质上是图结构。原子是节点，化学键是边。这个视角非常自然，也很适合图神经网络（GNN）。
用RDKit构建分子图非常方便：
from rdkit import Chem
from rdkit.Chem import rdmolops
mol = Chem.MolFromSmiles("CCO")
adj_matrix = rdmolops.GetAdjacencyMatrix(mol)
print(adj_matrix)
# [[0 1 0]
# [1 0 1]
# [0 1 0]]你看，乙醇的邻接矩阵就是3x3，碳碳单键相连，碳氧单键相连。
分子图的核心信息包括：
- 节点特征：原子类型（C、O、N...）、杂化方式、电荷、手性等。
- 边特征：键类型（单键、双键、三键、芳香键）、键长、是否在环中等。
我在做分子性质预测项目时，用过GIN（Graph Isomorphism Network）处理分子图。效果确实好，但图的大小不一致是个麻烦——乙醇只有3个原子，阿司匹林有21个，你得做padding或者batch处理。
3. 分子指纹——结构的二进制编码
分子指纹，说白了就是一个固定长度的二进制向量。每一位代表一个子结构是否存在。最早的是MACCS指纹，166位，每个位对应一个预定义的子结构模式。
但MACCS太"死"了。现在更常用的是ECFP（Extended Connectivity Fingerprint），也叫摩根指纹。它不预定义子结构，而是从每个原子出发，逐层扩展邻居，生成哈希特征。
ECFP的生成过程我简单说一下：
- 对每个原子，根据其类型、度数、电荷等计算一个初始标识符。
- 逐层融合邻居的标识符，生成新的特征。
- 把最终的特征哈希到固定长度的位向量里。
用RDKit算ECFP只需几行代码：
from rdkit import Chem
from rdkit.Chem import AllChem
mol = Chem.MolFromSmiles("CCO")
ecfp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=2048)
print(ecfp.ToBitString()[:50])
# 001001010010011001001010010010010010010010011001002048位的向量，每一位是0或1。这就是分子指纹。
4. 向量化方法——让分子走进深度学习
SMILES是字符串，分子图是图结构，分子指纹是二进制向量。深度学习模型要的是连续值向量。怎么转？
常见做法有以下几种：
- One-hot编码：对SMILES字符集做one-hot。简单但维度爆炸，且丢失了字符之间的关联。
- Embedding层：把SMILES字符映射到低维稠密向量。这是主流做法，能学到字符的语义关系。
- 分子指纹直接作为向量：ECFP的2048位向量本身就是特征，但稀疏且离散，很多模型吃不下。
- 图读出（Graph Readout）：用GNN提取分子图的全局特征向量，比如对节点特征做 sum/mean/max pooling。
我个人的建议是：
- 如果用序列模型（RNN/Transformer），走SMILES + Embedding路线。
- 如果用图神经网络，直接用分子图 + Readout。
- 如果用传统ML模型（随机森林、SVM），用分子指纹。
对占比分子生成来说，SMILES + Embedding 和 分子图 + GNN 是两条主流路线。我本人更倾向后者——图结构保留了完整的拓扑信息，不容易被SMILES的语法陷阱误导。
5. 四种表示方法的对比与选择
我把它们整理成一张表，方便你对比：
| 表示方法 | 数据形式 | 维度 | 是否保留拓扑 | 适合模型 | 缺点 |
|---|---|---|---|---|---|
| SMILES | 字符串 | 可变长度 | 间接保留 | RNN, Transformer | 语法敏感，有无效序列风险 |
| 分子图 | 图结构 | 可变（节点+边） | 直接保留 | GNN, GCN, GAT | 图大小不一，需要padding |
| 分子指纹 | 二进制向量 | 固定（如2048） | 部分保留 | 随机森林, SVM | 信息有损，不可逆 |
| 向量化方法 | 稠密向量 | 固定（如128/256） | 取决于来源 | 全连接, 各类深度学习 | 需要额外训练Embedding |
你想想看，选哪种表示，其实取决于你的模型和任务。我做分子生成，大部分时间都在跟SMILES和分子图打交道。指纹嘛，更多用在虚拟筛选和相似度搜索上。