化学信息学工具：RDKit 安装与基本操作

说实话，在GNN分子特征构建这条路上，RDKit就是你的瑞士军刀。
没有它，后面所有的图构建、特征提取都是空中楼阁。
我早期做分子性质预测时，折腾过各种商业化库，最后还是老老实实回到RDKit。
为啥？开源、社区活跃、功能全，关键还免费。

这一章，我们把它装好，再跑通最基础的分子读写和可视化流程。
别小看这一步，越基础的东西，后面出问题越能救命。

2.1 环境准备：先把RDKit请进你的电脑

安装RDKit，我强烈推荐用conda。
为什么？

RDKit的C++核心和Python接口绑定非常紧，
用pip安装偶尔会踩二进制兼容的坑。
conda直接帮你把所有依赖安好，省心省力。

好，我们来一步步操作。

第一步：创建并激活conda环境

conda create -n gnn_mol python=3.9
conda activate gnn_mol

第二步：安装RDKit

conda install -c conda-forge rdkit

嗯，这里要注意：conda-forge通道的更新频率很高。
我习惯指定版本，比如：

conda install -c conda-forge rdkit=2023.09.1

第三步：验证是否安装成功

python -c "from rdkit import Chem; print(Chem.__version__)"

如果看到类似 2023.09.1 的输出，恭喜你，安装成功。

2.2 分子文件读取：从硬盘到内存

RDKit支持十几种分子文件格式。
我们最常用的就两种：SDF 和 SMILES。

SDF是结构数据文件，里面存的是原子坐标、键信息、甚至自定义属性。
SMILES呢？就是一串字符，比如 CCO 代表乙醇。
别看它短，信息量一点不少。

2.2.1 从SMILES读取分子

这是入门第一行代码，我打赌你以后天天用：

from rdkit import Chem

mol = Chem.MolFromSmiles('CCO')
print(mol.GetNumAtoms())   # 输出 3
print(mol.GetNumBonds())   # 输出 2

是不是很简单？
但有个坑：MolFromSmiles 如果遇到非法SMILES，会返回 None。
我建议你养成习惯，加个判断：

mol = Chem.MolFromSmiles('这不是合法SMILES')
if mol is None:
    print('解析失败，检查SMILES字符串')

2.2.2 从SDF文件读取分子

SDF文件可以存储多个分子，称为一个 SD Mol Supplier。

from rdkit import Chem

supplier = Chem.SDMolSupplier('molecules.sdf')
for mol in supplier:
    if mol is not None:
        print(mol.GetNumAtoms())

嗯，这里我吃过亏。
有时候SDF文件里某些分子损坏了，supplier 会返回 None。
所以遍历时一定要判空，不然程序直接崩。

2.3 分子写入：从内存到硬盘

读取没问题了，我们再来看看怎么写出去。

2.3.1 写入SMILES

from rdkit import Chem

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

注意：MolToSmiles 可以接受参数，比如 canonical=True 来生成标准SMILES。
我习惯对分子做标准化，方便后面去重。

2.3.2 写入SDF文件

from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles('CCO')
mol = Chem.AddHs(mol)
AllChem.EmbedMolecule(mol, AllChem.ETKDG())
AllChem.UFFOptimizeMolecule(mol)

writer = Chem.SDWriter('ethanol.sdf')
writer.write(mol)
writer.close()

这段代码做了三件事：加氢、生成3D构象、力场优化。
最后把优化后的分子写进SDF文件。
你打开文件看看，里面会有原子坐标和键信息。

文件格式	读取方法	写入方法	主要用途
SMILES (.smi)	Chem.MolFromSmiles()	Chem.MolToSmiles()	快速交换、数据库存储
SDF (.sdf)	Chem.SDMolSupplier()	Chem.SDWriter()	3D构象、属性附加
MOL (.mol)	Chem.MolFromMolFile()	Chem.MolToMolFile()	单个分子结构数据
PDB (.pdb)	Chem.MolFromPDBFile()	Chem.MolToPDBFile()	蛋白质-配体复合物

2.4 分子可视化：看看分子长什么样

读写了半天，总得看看分子长啥样吧？
RDKit自带的可视化能力很强，而且不需要Jupyter也能生成图像。

2.4.1 2D结构绘制

生成2D图是最常用的操作：

from rdkit import Chem
from rdkit.Chem import Draw

mol = Chem.MolFromSmiles('CCO')
img = Draw.MolToImage(mol, size=(300, 200))
img.save('ethanol_2d.png')

画出来的图像是PNG格式，清晰度不错。
但如果你要做网页展示，我更推荐用SVG：

svg = Draw.MolToSVG(mol, size=(300, 200))
with open('ethanol_2d.svg', 'w') as f:
    f.write(svg)

2.4.2 3D结构展示

3D可视化需要额外安装 py3Dmol 或者 nglview。
但RDKit自身也能导出3D坐标的XML格式：

from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles('CCO')
mol = Chem.AddHs(mol)
AllChem.EmbedMolecule(mol, AllChem.ETKDG())
AllChem.UFFOptimizeMolecule(mol)

# 导出为MolBlock，可被其他可视化工具读取
mb = Chem.MolToMolBlock(mol)
print(mb[:300])  # 打印前300个字符看看

说实话，3D可视化在GNN中不是必须的。
你构建的分子图，本质上用的是原子连接关系和3D距离，不需要你肉眼去看。
不过，调试阶段可视化一下，能帮你快速确认构象是否合理。

2.5 本章小结

我们做了几件很具体的事：

• 装好了RDKit，确保环境没问题
• 从SMILES和SDF读取了分子
• 把分子写回SMILES和SDF文件
• 生成2D结构图，保存为PNG和SVG

这些操作，看起来基础，却是后续所有GNN特征构建的基石。
我当年第一次跑通分子可视化时，看着乙醇的结构图，心里还挺激动的。
嗯，别笑，做分子的人，这点仪式感还是得有。