📚 课程目录第3章分子表示方法

三、分子表示方法：SMILES、InChI、分子图与分子指纹概念

做药物筛选，第一步就是要把分子结构变成计算机能理解的形式。你想想看，化学家在纸上画一个苯环很容易，但机器不认识。所以，我们需要一套"翻译规则"，把分子结构转成字符串、图或者向量。这就是本章要聊的核心：分子表示方法。

我个人习惯把分子表示分成两个层面：文本/图表示（SMILES、InChI、分子图）和特征编码表示（分子指纹）。前者保留完整结构信息，后者牺牲部分信息换取计算效率。两者在筛选流程中各有各的用处。

3.1 SMILES 表示法

SMILES 全称是 Simplified Molecular Input Line Entry System。说白了，就是用一串 ASCII 字符把分子结构"写"出来。它最直观，也是我平时用得最多的表示方法。

基本规则其实不难：

原子：用元素符号表示，有机元素可省略氢（如 C、O、N）
键：单键省略，双键用 =，三键用 #
分支：用圆括号 () 括起来，挂在父原子上
环：用数字标记环的起始和结束原子
芳香族：小写字母表示芳香原子，如 c 表示芳香碳

看几个例子就明白了：

# 水
O

# 乙醇
CCO

# 苯（芳香表示）
c1ccccc1

# 阿司匹林
CC(=O)Oc1ccccc1C(=O)O

我在项目中遇到过一个问题：同一个分子可以写出多个合法的 SMILES。比如乙醇，CCO 和 OCC 都合法，但字符串不同。这会导致数据库里出现"同一个分子多条记录"的尴尬。所以实际使用时，我会配合规范化工具（比如 RDKit 的 CanonSmiles）来保证唯一性。

注意：SMILES 虽然简洁，但不保证唯一性。在做分子去重或数据库索引时，一定要用规范化后的版本，否则会出大问题。

3.2 InChI 表示法

InChI（International Chemical Identifier）是 IUPAC 推出的标准化标识符。它解决了 SMILES 不唯一的问题。我记得第一次用 InChI 时，觉得它比 SMILES 长得多，但后来发现它在数据交换和跨库匹配场景下真的很好用。

InChI 是分层的，每一层代表一类结构信息：

主层：分子式
连接层：原子连接顺序
氢原子层：氢的位置和数量
立体化学层：手性、双键构型等

拿阿司匹林来举例：

InChI=1S/C9H8O4/c1-6(10)13-8-5-3-2-4-7(8)9(11)12/h2-5H,1H3,(H,11,12)

前面 InChI=1S/ 是版本号，后面跟着各层信息。每一层用 / 分隔，层内用 () 分组。

小技巧：InChI 字符串虽然长，但你可以只保留需要的层。比如只做骨架匹配时，可以截掉立体化学层，减少存储开销。

3.3 分子图表示法

从图论角度看，分子就是一个无向图：原子是节点，化学键是边。这是最贴近化学家直觉的表示方法，也是很多分子指纹算法的底层基础。

我建议你从两个维度理解分子图：

节点特征：原子类型（C、N、O…）、电荷、价态、是否在环上
边特征：键级（单、双、三、芳香）、是否可旋转

举个例子，乙醇的分子图可以用邻接矩阵表示：

# 乙醇：C-C-O，邻接矩阵（简化）
#     C1  C2  O
# C1   0   1   0
# C2   1   0   1
# O    0   1   0

当然，真实项目中我们不会手写邻接矩阵。RDKit 的 Chem.MolFromSmiles 返回的就是一个分子图对象，你可以直接查询原子、键、环等信息。

我在做结构相似性分析时，经常用分子图来提取子结构模式。比如识别某个分子是否包含"羧酸片段"或"苯环"，用图搜索比用字符串匹配靠谱得多。

  核心区别：SMILES/InChI 是线性编码，适合存储和传输；分子图是拓扑结构，适合结构推理和特征提取。

3.4 分子指纹概念

分子指纹，本质上就是把分子结构编码成一个固定长度的位向量或计数向量。为什么要这么做？因为计算机处理向量比处理图快得多。在做百万级分子库的相似性搜索时，指纹是绕不开的工具。

常见的分子指纹类型包括：

类型	编码方式	典型长度	特点
MACCS 指纹	166 个预定义子结构是否存在	166 bit	可解释性强，但覆盖有限
ECFP（扩展连接指纹）	从每个原子出发，迭代扩展邻域	通常 1024/2048 bit	捕捉局部结构，应用最广
FCFP（功能连接指纹）	类似 ECFP，但用原子功能特征	通常 1024/2048 bit	对药效团匹配友好
AtomPairs 指纹	所有原子对的距离-特征组合	可变长度	捕捉全局拓扑

ECFP 是我项目里最常用的。它通过迭代扩圈的方式，把每个原子周围的环境编码成一个整数，再映射到固定长度的位向量上。说白了，它关注的是"每个原子的邻居长什么样"。

# 用 RDKit 生成 ECFP4（1024 bit）示例（Python 伪代码）
from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles('CC(=O)Oc1ccccc1C(=O)O')
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=1024)
# fp 是一个位向量，例如：'0101101010...'（共 1024 位）

踩坑提醒：我曾经在一批化合物上用了默认的 ECFP4（radius=2），结果相似性搜索结果跟文献对不上。后来排查发现，文献用的是 ECFP6（radius=3）。指纹的直径直接影响捕获的结构范围，选错参数结论就会偏。做项目前一定先确认指纹类型和半径。

你可能会问：分子指纹是"有损编码"吗？答案是肯定的。从分子图到位向量，一定会丢失一些细节。但正因为维度降低、计算变快，我们才能在大型化合物库中做快速筛选。这是一个经典的精度与效率的权衡。

为了让你更直观地理解四种表示方法之间的关系，我画了一张体系结构图：

从这张图可以看得很清楚：化学分子是起点，三种表示方法各有侧重，最终都汇向分子指纹——它是连接化学结构与计算分析的桥梁。

个人建议：在实际项目中，不要把四种表示方法对立起来。我通常的做法是：用 SMILES 做数据存储，用 InChI 做跨库匹配，用分子图做子结构检索，用分子指纹做大规模相似性搜索。各取所长，才是工程思维。

嗯，到这里你应该对这四种分子表示方法有了比较全面的认识。它们不是互相替代的关系，而是针对不同场景设计的工具。选对工具，你的筛选流程才能跑得又快又准。