📚 课程目录第1章 SMILES简介

一、SMILES 简介：从化学结构到一行字符串

做化学信息学的人，每天打交道最多的就是 SMILES 了。说白了，它就是一套把分子结构写成一行文本的规则。我刚开始接触这个领域时，看到 CC(=O)O 这种字符串，心想：这什么东西？后来才明白，它代表的是乙酸 —— 两个碳，一个双键连着氧，还有一个羟基。嗯，SMILES 的魅力就在这里。

1.1 SMILES 的发展历史

SMILES 全称是 Simplified Molecular Input Line Entry System。1998 年，David Weininger 在 US Environmental Protection Agency 工作时提出了这个概念。为什么要发明它？

1970 年代：化学信息学早期，大家还在用 WLN（Wiswesser Line Notation）。这玩意儿很强大，但学起来像背密码，太复杂了。
1988 年：Weininger 在《Journal of Chemical Information and Modeling》上发表了第一篇关于 SMILES 的论文。我记得当时他提出的规则只有十几条，非常简洁。
1990 年代：Daylight Chemical Information Systems 公司将其商业化，并扩展了规范，例如加入了手性标记。
2000 年后：开源社区涌现了 OpenBabel、RDKit 等工具，让 SMILES 几乎成了分子表示的通用语言。

为什么 SMILES 会流行起来？你想想看，以前的分子结构数据要么是二维的 MOL 文件，要么是三维的 PDB 文件，又大又不好比较。而 SMILES 用一行字符串就能唯一表示一个分子 —— 这给数据库的存储、检索和去重带来了革命。我在一个项目中曾经处理过 500 万个化合物的库，如果用 MOL 文件，光存储就要几个 TB，换成 SMILES 后，一个几 GB 的文本文件就搞定了。

1.2 SMILES 的基本语法规则

SMILES 的语法规则其实不复杂。我先给你一个总体印象：它用字母代表原子，用符号代表键，再利用括号和数字处理支链和环。核心流程可以看我下面这张图：

1.3 原子与键的表示

原子表示其实很简单：直接用元素周期表的符号。碳就是 C，氧就是 O，氮是 N，氯是 Cl。但这里有几个坑，我遇到过：

C       # 碳甲烷
CC      # 乙烷
CCO     # 乙醇
C=O     # 甲醛（注意双键）
c1ccccc1 # 苯（小写 c 表示芳香族碳）

为什么苯的小写 c 这么重要？因为 SMILES 区分芳香族和脂肪族。芳香族用小写字母，脂肪族用大写字母。你想想看，如果没有这个规则，C1=CC=CC=C1 和 c1ccccc1 虽然描述同一个分子，但在计算机看来是两种完全不同的表示——这就是后面要讲的标准化问题。

键的表示有三种常见形式：

键类型	符号	示例	说明
单键	`-`	`C-C`	可以省略，例如 `CC`
双键	`=`	`C=C`	不能省略
三键	`#`	`C#C`	不能省略

我个人习惯，单键能省略就省略。为什么呢？因为省略后字符串更短，读起来更快。但有一个例外：当你需要明确指明连接顺序时，比如在括号支链里，单键有时可以辅助阅读。

还有一类更特殊的键，比如配位键和氢键，传统的 SMILES 并不直接支持。你可以在一些扩展规范中看到 -> 或 <-，但主流工具（RDKit、OpenBabel）默认只处理上面三种。我记得以前有个项目处理金属配位化合物，用 SMILES 怎么都表达不对，最后改用 MOL 文件才搞定——嗯，SMILES 也不是万能药。

1.4 分支与环的规则

分支我举一个典型的例子：乙酸乙酯。直链是乙基连着酯基，如果写成 CC(=O)OCC，括号里面的 (=O) 就表示它是主要链上的一个支链。

CC(=O)O  # 乙酸：一个甲基，一个支链双键氧，再一个羟基

括号的嵌套也很常见。比如有一个叔丁基的分子：

CC(C)(C)CC  # 注意括号内是一对甲基

环的表示用数字标记。比如环己烷：

C1CCCCC1  # 数字 1 表示环的开头和结尾共用同一个碳

多环怎么办？就用不同的数字：

C1CC2CCCC2C1  # 两个环公用两个碳（中间 2 号环）

这里要注意：数字不能重复使用。我曾经在数据库里看到过 C1=C1 这种奇怪的写法——其实它表示一个双键，但两个碳被标记成同一个环，是无效的。标准化的时候就会报错。

1.5 “高级查询”：原子性质标签

在标准的 SMILES 之上，还允许加入方括号对原子进行修饰。这算是原子表示的扩展语法，但非常重要：

[C@@H]      # 手性方向：@@ 表示顺时针
[OH-]       # 带电荷：羟基阴离子
[13CH4]     # 同位素：13C 甲烷
[Na+]       # 金属钠离子

实战经验：在做化合物去重时，一定要小心这些修饰。两个 SMILES 字符串可能因为手性标记的顺序不同（比如 [C@] 与 [C@@]）导致去重失败。我用 RDKit 的 CanonicalSmiles 方法就能自动帮我把这些统一。

1.6 为什么标准化和去重要从 SMILES 基础开始？

我花这么多篇幅讲基础知识，是因为后面所有标准化去重方法都建立在这个地基上。你想想看：如果你连单键能否省略、双键怎么表示、环数字怎么分配都不清楚，那你怎么判断两个 SMILES 是不是同一个分子？

比如水和重水：O 和 [2H]O[2H]，长得完全不一样，但前者是普通水，后者是重水。去重的时候要不要把它们合并？这就涉及标准化策略的选择了。

核心总结：SMILES 是一套半结构化的分子表示语言。它的语法简单，但存在冗余表示（同一个分子有多种写法）。这正是标准化的必要性所在。后面的章节会一步步教你如何写脚本把这些“异形变体”统一。

1.7 本章小提示

熟记基本规则：原子大小写、键省略规则、括号与数字的用法。
多做练习：建议拿几个常见分子（水、乙醇、苯、环己烷、乙酸乙酯）手动写 SMILES，然后用 RDKit 验证。
注意版本差异：不同工具对 SMILES 的解释有细微差别。我曾经试过 OpenBabel 和 RDKit 对同一个 c1ccccc1 输出的规范形式不一样——原因是对芳香性的判断标准不同。