📚 课程目录第3章常见化学文件格式

拆解四大常见化学文件格式：SMILES、SDF、MOL、PDB

做分子图结构生成，绕不开文件格式。说实话，很多初学者上来就怼着代码写解析器，结果被各种格式的细节坑得头皮发麻。我见过最夸张的案例是有人把SDF文件里空行当数据缺失丢掉，导致对接失败，整整查了两天bug。

这一章，我们就来彻底弄清楚四种最常见格式：SMILES、SDF、MOL、PDB。我会告诉你它们各自适合干什么，不适合干什么，以及我曾经踩过的坑。

SMILES：一句话描述一个分子

SMILES，全称Simplified Molecular-Input Line-Entry System。说白了就是一条字符串。它把分子结构和连接关系编码成人类能读懂的文本。比如乙醇：

CCO

就这么简单。C代表碳，O代表氧，单键直接相邻。但SMILES的威力远不止此。

核心规则：

原子用元素符号表示，B、C、N、O、F、P、S、Cl、Br、I直接写
单键不写符号，双键用=，三键用#
分支用小括号()
环用数字标记起始和终止原子
方括号[]表示非标准价态或同位素

举个例子，苯：

c1ccccc1

嗯，这里要注意，小写c表示芳香碳。这是SMILES里最容易搞混的地方。我在早期项目中曾经把芳香环写成大写的C，结果对接的分子指纹死活对不上。

我的经验： SMILES是结构搜索和数据库索引的利器。但千万别用它存大分子或配体-受体复合物。我用过一次，字符串长得像天文数字，自己都看懵了。

SDF：结构数据文件，带信息的MOLPlus

SDF全称Structure-Data File。它是在MOL格式基础上加了个属性表。你想想看，光有原子坐标和键连接有什么用？我需要知道这个分子的IC50值、LogP、SMILES来源吧？

SDF文件由三部分组成：

分子头块： 第一行是名字或注释；第二行源程序和时间戳；第三行空行或注释行
连接表块： 原子坐标、原子类型、键连接矩阵（和MOL格式一模一样）
属性块： 以><属性名>开头，后面跟着值，最后用$$$$结束当前分子

举个例子，单个分子的结构：

benzene  
  Mrv2317 11132414562D  

  6  6  0  0  0  0  0  0  0  0  0 V2000
    0.0000    0.0000    0.0000 C   0  0  0  0  0  0  0  0  0  0  0  0
   -0.8660    0.5000    0.0000 C   0  0  0  0  0  0  0  0  0  0  0  0
   -0.8660    1.5000    0.0000 C   0  0  0  0  0  0  0  0  0  0  0  0
    0.0000    2.0000    0.0000 C   0  0  0  0  0  0  0  0  0  0  0  0
    0.8660    1.5000    0.0000 C   0  0  0  0  0  0  0  0  0 0  0  0
    0.8660    0.5000    0.0000 C   0  0  0  0  0 0  0  0  0  0  0  0
  1  2  1  0  0  0  0
  2  3  2  0  0  0  0
  3  4  1  0  0  0  0
  4  5  2  0  0  0  0
  5  6  1  0  0  0  0
  6  1  2  0  0  0  0
M  END
><SMILES>
c1ccccc1
$$$$

我曾经踩过的坑： SDF文件每行的列宽是固定的。在V2000格式里，原子坐标、原子符号都有固定列位。如果你用文本编辑器手动编辑，不小心多打了一个空格，解析器就会把坐标和原子类型识别错位。所以切记，别手改SDF。

MOL：分子连接表的核心

MOL格式是SDF和MOL2等众多格式的鼻祖。它记录分子结构，但不带属性。如果你只需要原子的三维坐标和键连接关系，MOL就够了。

它的结构分为：

头块： 3行，包含分子名字、程序来源、注释
原子块： 每行一个原子，x, y, z坐标加上原子类型和一堆数字
键块： 每行一个键，用起始原子索引、终止原子索引和键类型编码

键类型的编码规则：

编码	含义
1	单键
2	双键
3	三键
4	芳香键

你可能会问，为什么要学这种老掉牙的格式？

因为几乎所有的分子结构搜索引擎、化学数据库（比如PubChem）底层都支持MOL。而且很多旧项目的代码库还在用，你改不了它，你只能适应它。

小技巧： MOL V2000格式最多支持999个原子和999个键。随着分子变大，出现了V3000扩展格式。如果你的分子很大（比如蛋白质片段），直接用V3000，别卡在V2000的限制上白费力气。

PDB：蛋白质的身份证

PDB全称Protein Data Bank。它不像MOL那样用坐标加连接表的二进制友好格式，而是纯文本、固定宽度。每行以记录名开头（ATOM、HETATM、CONECT等），然后后面是固定列位的数据。

最核心的记录类型：

ATOM： 标准氨基酸残基的原子坐标
HETATM： 非标准残基或配体/水分子
CONECT： 键连接信息（可选）
REMARK： 注释
TER： 链终止

一个ATOM记录的列位布局：

ATOM      1  N   ALA A   1      11.608   10.295    8.661  1.00  0.00           N
|          |  |   |   |   |      |         |         |      |    |              |
col 1-6    7-11 13-16 18-20 22 23-27 31-38 39-46 47-54 55-60 61-66 77-78
记录名    序号 原子名 残基名 链 残基号 X坐标  Y坐标  Z坐标  占有度 温度因子 元素

注意没有？从第1列开始，空一格，再到序号，再到原子名。这种固定宽度的格式，在早期计算机内存有限时是对的，现在用Python解析反而要小心翼翼，多一个空格少一个空格都不行。

我的经验： PDB里CONECT记录经常缺失，特别是那些老旧的结构。我建议你解析时如果无CONECT，可以用距离判断法（原子间距阈值）生成键连接，但阈值要控制在2.5Å以内，否则容易生成假键。

四种格式对比

格式	表示能力	人类可读性	是否支持3D坐标	是否支持属性	常见应用场景
SMILES	连接性（2D拓扑）	高（短字符串）	否	否	化学数据库索引、子结构搜索
MOL	原子+键+坐标	中	是（2D/3D）	否	分子编辑器、旧版应用程序交换
SDF	原子+键+坐标+属性	中	是（2D/3D）	是	高通量筛选、化合物库管理
PDB	原子坐标+残基链	低（固定宽度）	是（3D）	有限	蛋白质/核酸结构存储

我个人习惯：做分子图生成或可视化时，优先用SDF。它能完整保留元数据，而且大多数化学信息学工具（RDKit、OpenBabel）原生支持。如果只是做快速的结构查询，用SMILES。如果是处理蛋白质-配体复合物，那就没有选择了，老老实实用PDB。

你想想看，要是你辛辛苦苦做了个分子图生成的项目，结果保存成SMILES忘了存坐标，下次读回来还得重新计算3D构象，是不是太亏了？所以先想清楚你要干什么，再选格式。