第2章 分子表示方法：SMILES、SELFIES与分子图

做分子生成，第一道坎就是——怎么让机器"看懂"分子结构。

你想想看，化学家画个苯环一目了然，但深度学习模型只认识数字和向量。所以我们必须把分子结构转成机器能处理的格式。说白了，这就是分子表示要解决的问题。

目前主流的有三种：SMILES、SELFIES 和 分子图。每种都有各自的脾气，选不对，后面训练全白搭。我在这三种表示上踩过不少坑，今天一并讲清楚。

2.1 SMILES：最流行的分子语言

SMILES 全称是 Simplified Molecular-Input Line-Entry System，简单说就是用一串 ASCII 字符来描述分子结构。

举个最简单的例子，乙醇的 SMILES 就是 CCO。苯环是 c1ccccc1。你看，原子符号、键、分支、环，全都压在一行字符串里。

CCO          # 乙醇
c1ccccc1     # 苯
CC(=O)Oc1ccccc1C(=O)O  # 阿司匹林

SMILES 的优点很明显：简洁、人类可读、生态完善。RDKit、OpenBabel 等工具全都支持，数据集也大多是 SMILES 格式。

但问题也很要命——同一个分子可以有多个有效的 SMILES。比如乙醇，你可以写成 CCO，也可以写成 OCC。这直接导致生成模型学到的映射关系不唯一。

所以，如果你要用 SMILES 做生成，一定要做规范化（canonicalization），把每个分子转成唯一的标准形式。

from rdkit import Chem

smiles_list = ["CCO", "OCC", "C(O)C"]
canonical = set()
for s in smiles_list:
    mol = Chem.MolFromSmiles(s)
    canonical.add(Chem.MolToSmiles(mol))

print(canonical)  # 输出: {'CCO'}

2.2 SELFIES：解决SMILES的痛点

SELFIES（SELF-referencIng Embedded Strings）是专门为解决 SMILES 歧义问题设计的。它的核心思路是：每个符号都是自描述的，语法完全完备。

乙醇的 SELFIES 是 [C][C][O]，苯环是 [C][=C][C][=C][C][=C][Ring1][Branch1]。

[C][C][O]                    # 乙醇
[C][=C][C][=C][C][=C][Ring1][Branch1]  # 苯

你看，每个符号都明确表达了它是什么、怎么连接，不存在"多种写法"的问题。

我个人习惯在分子生成任务中优先用 SELFIES。为什么？因为 100% 语法有效。你随便生成一串 SELFIES，只要符合语法规则，它就对应一个真实分子。这对生成任务来说太重要了。

import selfies as sf

smiles = "CCO"
selfies = sf.encoder(smiles)
print(selfies)  # 输出: [C][C][O]

# 转回来
smiles_back = sf.decoder(selfies)
print(smiles_back)  # 输出: CCO

SELFIES 的缺点是字符串更长，人类阅读不直观。另外，一些老工具不支持 SELFIES，需要额外转换。

2.3 分子图：保留拓扑结构

序列表示（SMILES、SELFIES）本质上是把分子压成了一维，丢失了空间拓扑信息。而分子图直接保留了原子之间的连接关系。

在分子图中：

• 节点 = 原子（带有原子类型、电荷、手性等特征）
• 边 = 化学键（带有键型、共轭状态等特征）

这种方式最贴近化学家对分子的理解，也最适合做属性预测和结构分析。

import torch
from torch_geometric.data import Data
from rdkit import Chem

smiles = "CCO"
mol = Chem.MolFromSmiles(smiles)

# 提取原子特征（简化版）
atom_features = []
for atom in mol.GetAtoms():
    atom_features.append([atom.GetAtomicNum()])
x = torch.tensor(atom_features, dtype=torch.float)

# 提取边索引
edge_indices = []
for bond in mol.GetBonds():
    i, j = bond.GetBeginAtomIdx(), bond.GetEndAtomIdx()
    edge_indices.append([i, j])
    edge_indices.append([j, i])
edge_index = torch.tensor(edge_indices, dtype=torch.long).t().contiguous()

# 构建 PyG 图数据
data = Data(x=x, edge_index=edge_index)
print(data)

我记得有次做分子属性预测，用 SMILES 做输入，R² 死活到不了 0.85。换成分子图 + GNN，直接飙到 0.93。为什么？因为图结构把原子间的连接关系完整保留了下来，模型能学到更本质的化学特征。

当然，分子图也有代价：计算开销更大，而且不同分子的图结构不同，需要做批处理（batch）时得用一些技巧（比如虚拟节点）。

2.4 三种表示方法对比

2.5 实践建议

三种表示方法各有主场，选哪个取决于你的任务目标。我分享一下自己的选型逻辑：

• 做分子生成（特别是从头生成） → 优先 SELFIES。语法完备性太香了，省去大量后处理过滤。
• 做属性预测/回归任务 → 优先分子图 + GNN。拓扑信息对预测精度提升明显。
• 做数据预处理或大规模筛选 → 用 SMILES。工具生态最成熟，处理速度快。
• 做多模态或混合任务 → 可以同时用分子图 + 序列表示，做特征融合。