📚 课程目录第2章分子表示方法

2. 分子表示方法：SMILES、SELFIES与分子图

做分子生成，第一步就是选对分子的「语言」。就像做软件你得先定数据结构一样，分子的表示方式直接决定了后面所有模型的设计思路。我这些年折腾过不少分子生成项目，可以说，选错表示方法，后面跑出来的结果基本没法看。

今天咱们把三种主流表示方法掰开揉碎讲清楚：SMILES、SELFIES 和 分子图。你理解清楚了，后面看质量指标才不会晕。

2.1 SMILES：最古老的分子「字符串」

SMILES 全称 Simplified Molecular Input Line Entry System。说白了，就是把分子结构压扁成一行字符串。它依赖深度优先遍历，用括号、数字和符号记录原子连接方式。

举个例子，乙醇的 SMILES 是 CCO。听着简单，对吧？但遇到环、手性中心、同位素，事情就复杂了。

SMILES 的关键规则：

原子符号：大写字母代表重原子，小写字母加方括号表示特殊记号。
单键/双键/三键：单键不写，双键写 =，三键写 #。
分支：用圆括号 () 表示支链。
环：用数字标记环的起点和终点。比如苯环是 c1ccccc1。
手性：用 @ 和 @@ 表示立体构型。

# SMILES 示例
乙醇:      CCO
苯甲酸:    C1=CC=C(C=C1)C(=O)O
咖啡因:    CN1C=NC2=C1C(=O)N(C(=O)N2C)C
手性分子:  C[C@H](O)C(=O)O

那 SMILES 的问题在哪？我记得早期做分子生成模型时，模型经常输出无效的 SMILES。比如括号不匹配、环数字没闭合。你一算有效性，直接归零。这是字符串表示的天生缺陷——语法和化学结构是脱钩的。

我曾经踩过的坑：用 SMILES 做生成模型，一开始觉得能把分子「写」出来就行。结果生成了一堆语法正确但化学上狗屁不通的玩意。比如一个环里搭了十几个原子，能量高得离谱。SMILES 不保证「化学可行性」。

2.2 SELFIES：解决 SMILES 的「硬伤」

SELFIES（Self-Referencing Embedded Strings）是我个人比较喜欢的表示法。它诞生的原因很简单——SMILES 的非确定性太折磨人了。同样的分子可以有完全不同的 SMILES 写法，比如乙醇可以写成 CCO、OCC，甚至加括号乱套都行。

SELFIES 的核心思想：

每个符号告诉你下一个符号是什么类型。
环的闭合用数字 + 方括号直接写。
天生的「100% 语法有效性」。只要你随机生成一串 SELFIES，它一定是合法的 SMILES。

说白了，SELFIES 就是把 SMILES 的「不确定语法」变成了「确定性语法」。模型再也不会输出「括号不匹配」这种低级错误了。

# SELFIES 示例（对应上方的 SMILES）
乙醇:      [C][C][O]
苯甲酸:    [C][=C][C][=C][C][=C][Ring1][=Branch1][C][=Branch1][C][=O][O]
咖啡因:    [C][N][C][=N][C][=C][Ring1][=Branch1][C][=Branch1][C][=O][N][=Branch1][C][=O][N][Ring1][=Branch1][C]

注意，SELFIES 并不是什么黑魔法。它只是加了一层「语法编码」，把分子图的信息打包成自洽的序列。我最近用 SELFIES 做蛋白质配体生成时，有效分子率从 SMILES 的 60% 直接跳到 99% 以上。

我个人的建议：如果是做无条件分子生成（比如从随机噪声生成分子），强烈推荐 SELFIES。它的「100% 语法有效性」特性可以让你放心地只关注化学有效性，不用纠结字符串语法。但注意，SELFIES 并不保证「化学稳定性」——你仍然需要能量力场或专业化学验证器。

2.3 分子图：最接近「化学直觉」的表示

分子图，说白了就是把分子结构画成图。节点是原子（带属性如元素、形式电荷），边是化学键（带类型如单键、双键）。

我在项目中遇到过用图神经网络做生成的任务。图表示的好处是，它天然保留了化学结构——你可以直接看到哪个原子是碳、哪个键是双键。不像 SMILES 和 SELFIES，还需要额外解析。

分子图的典型数据格式（PyTorch Geometric 风格）：

# 分子图示例（假设是乙醇）
# 原子特征矩阵: [C, C, O]
atom_features = [[6, 0, 0, 0],   # C：原子序数 6，形式电荷 0，...
                 [6, 0, 0, 0],   # C
                 [8, 0, 0, 0]]   # O：原子序数 8

# 邻接矩阵（简单表示）
edge_index = [[0, 1],      # 第一根键：C0-C1
              [1, 2]]      # 第二根键：C1-O2

# 键类型
edge_type = [1, 1]         # 1 = 单键

但是图表示也有它的「坑」。图神经网络的计算开销大，尤其是当分子尺寸变大（比如超过 100 个原子）时，消息传递会变得很慢。

2.4 三种表示的对比与选择

下面这个表格是我在实际项目中的经验总结，你直接拿来用就行。

特性	SMILES	SELFIES	分子图
表示本质	字符串 + 语法	字符串 + 确定性语法	图结构
语法有效性保证	否	是（100%）	不适用
化学有效性保证	否	否	否
读入/解码效率	高（简单字符串）	中（需解析）	低（图构建慢）
适合任务	序列生成、SLATM	无条件生成、多样本	图神经网络、变性生成
数据大小	小（字符串短）	略大（每原子多几个字符）	大（邻接矩阵 + 特征）
可逆性/唯一性问题	非规范 SMILES 多	天然唯一	天然唯一
我的经验建议	适合快速原型、规则驱动	首推无条件生成	适合图学习方法、需要化学先验

2.5 知识体系：三种表示背后的逻辑

下面这张图展示了三种分子表示方法的核心逻辑关系。你看完应该能理解，它们本质上都是对「分子图」不同维度的投影。

2.6 实际项目中的选择建议

好，我们回到真实场景。假设你手头有个分子生成项目，你怎么选？

我个人习惯是这样做的：

第一步：确定任务类型。如果是无条件生成（从噪声生成新分子），我直接上 SELFIES。理由很朴素——你不用担心语法无效，模型想怎么输出就怎么输出，最后再转 SMILES 验证。
第二步：评估计算资源。如果设备是 CPU 或者内存小，用 SMILES。它对计算友好，字符串短，解析快。相反，如果你有大显存 GPU 且要做图神经网络，那就用分子图。
第三步：考虑后处理复杂度。SMILES 和 SELFIES 都需要额外步骤转成分子图才能做能量计算或对接。如果你的验证流程全是基于分子图的，那不如直接用分子图做生成，省一次转换。
第四步：想清楚要不要「可解释性」。分子图天生有可解释性——哪个原子、哪个键。SMILES 和 SELFIES 靠解析器。解析器是把字符串转成分子图的过程，这个解析器可能引入额外错误。

避坑指南：我曾经在一个项目中同时用了 SMILES 和分子图做对比。结果发现，同样一个分子，在 SMILES 里因为字符串顺序不同，模型把它当成两个不同的样本。这不是个例——SMILES 的非规范性会导致数据泄露。如果你做对比实验，一定要先规范化为「规范 SMILES」或直接用 SELFIES。

好了，三种分子表示方法的核心逻辑和选择思路就是这些。你理解了这些，后面看各种质量指标（有效性、唯一性、新颖性等）时就知道它们到底是基于「字符串」还是「图」来计算的。这一点非常关键，因为不同表示下的「有效」定义是不一样的。