第1章 SMILES简介

SMILES，全称是 Simplified Molecular Input Line Entry System。说白了，就是用一串字符来表示一个分子的结构。你想想看，一个复杂的有机分子，用几十个字符就能描述清楚，这事儿本身就很酷。

我刚开始接触化学信息学的时候，看着那一串串字母和数字，心里直犯嘀咕：这玩意儿真能准确表达分子结构？后来用了一段时间才发现，它不仅准确，而且高效。做化学信息学的同事之间交流，发一串 SMILES 比画一张结构图快太多了。

1.1 发展历史

SMILES 是 1988 年由 David Weininger 在 Daylight Chemical Information Systems 公司提出的。那时候计算机辅助药物设计刚刚起步，大家急需一种能在大规模数据库里快速检索和交换分子结构的方法。

我记得我第一次读到 Weininger 的论文时，觉得这个设计思路非常巧妙——用线性字符串表达树形结构。后来的所有化学信息学工具，几乎都绕不开 SMILES。

发展历程中有几个关键节点：

• 1988 年：David Weininger 发布 SMILES 规范，最初只支持基本的原子和键表示。
• 1990 年代：Daylight 公司扩展出 Isomeric SMILES，支持手性、同位素和双键几何异构。
• 2000 年代：Canonical SMILES 出现，解决了同一分子的多种 SMILES 表示问题，给分子去重成为可能。
• 2007 年：OpenSMILES 规范发布，社区驱动标准化，让不同工具之间的 SMILES 解析更统一。
• 2010 年代后：随着机器学习和深度学习在化学领域爆发，SMILES 成为分子表示的标准输入格式之一。

时间	事件	贡献者 / 机构
1988	SMILES 规范首次发布	David Weininger
1990s	Isomeric SMILES 扩展	Daylight CIS
2000s	Canonical SMILES 标准化	Daylight CIS
2007	OpenSMILES 规范发布	OpenSMILES 社区
2010s	SMILES 成为 ML/DL 标准输入	学术界 / 工业界

1.2 应用领域

SMILES 的应用范围比大多数人想象的要广。我在项目中遇到过好几个场景，没有 SMILES 几乎没法做。

• 化学数据库：PubChem、ChEMBL、ZINC 等大型数据库使用 SMILES 作为核心分子标识。搜索一个分子，本质就是在索引里匹配它的 SMILES。
• 药物发现与虚拟筛选：做高通量虚拟筛选时，备选化合物的 SMILES 会作为输入传给对接软件或 AI 模型。我参与的一个靶点筛选项目，处理了超过 200 万条 SMILES，用 Canonical SMILES 去重后才发现其中近 30% 是重复结构。
• 机器学习 / 深度学习：从早期的分子指纹到现在的 Transformer 模型，SMILES 是分子最直接的序列化表示。你把它当作文本序列做 NLP，就能预测性质、生成新分子。
• 化学信息学工具：RDKit、Open Babel、CDK 等工具都内置 SMILES 解析器和生成器。几乎每个做化学信息学的开发者，每天都会和 SMILES 打交道。
• 数据交换：不同实验室、不同软件之间交换分子信息，SMILES 是最轻量级的选择。不用传文件，一段字符串就够了。

1.3 基本概念

SMILES 的核心规则其实不多，掌握了下面几类，就能看懂绝大多数分子。

• 原子表示：用元素符号直接写。碳就是 C，氧就是 O，氮就是 N。有机物中碳原子最多，所以默认省略氢——你写个 C，表示 CH₄。有机金属或特殊价态需要加方括号，比如 [Fe]。
• 键型表示：单键直接连着写（CC），双键写等号（C=C），三键写井号（C#N）。芳香键用小写字母，比如苯写作 c1ccccc1。
• 分支结构：用圆括号表示支链。比如乙醇写 CCO，异丙醇写 CC(O)C。括号可以嵌套，我见过最深的有五层——解析的时候要小心。
• 环结构：用数字标记环的连接点。环己烷写 C1CCCCC1，第一个 C 和最后一个 C 之间会连成环。同一个数字出现两次就表示成环。
• 电荷与同位素：写在方括号内。铵离子 [NH4+]，带氘的甲烷 [2H]C。电荷用 + 或 - 表示，可以带数字如 [Fe+3]。
• 立体化学：用 @ 或 @@ 标记手性中心。比如 L-丙氨酸写 N[C@@H](C)C(=O)O。双键几何异构用 / 和 \ 表示，例如 C/C=C\C 表示反式。

我个人习惯是：写 SMILES 时尽量用 Canonical 形式，这样同一个分子只有一种表示，去重和检索都方便。RDKit 里一行代码就能转：

from rdkit import Chem
mol = Chem.MolFromSmiles("CCO")
canonical = Chem.MolToSmiles(mol)
print(canonical)  # 输出 CCO

概念	表示法	示例
原子（默认价态）	元素符号	C（甲烷）、O（水）
原子（特殊价态）	[元素符号]	[Fe]（铁）、[NH4+]（铵）
单键	直接连接	CC（乙烷）
双键	=	C=C（乙烯）
三键	#	C#N（氢氰酸）
分支	( )	CC(O)C（异丙醇）
环	数字标记	C1CCCCC1（环己烷）
电荷	+ / -	[NH4+]
手性	@ / @@	[C@@H](O)C

嗯，这里要特别说一下：SMILES 里的原子默认都是有机化学中最常见的价态——碳默认四价，氧默认二价，氢被自动补齐。所以写乙醇只需要 CCO，系统会自动理解第一个 C 连着三个 H，第二个 C 连着两个 H 和一个 O，O 连着一个 H。如果你想明确控制氢的数量，用方括号：

[CH3][CH2][OH]  # 显式写氢的乙醇

这种写法在数据库存储和机器学习中更常见，因为它不含歧义，模型学起来更容易。

SMILES 看似简单，但背后涉及图论、拓扑和化学规则。我建议初学者先掌握基本表示法——原子、键、分支和环，能读懂常见有机分子就行。手性和电荷可以后面再补。等你用 RDKit 写几行代码处理过真实库之后，这些概念会自然内化。