📚 课程目录第4章分子片段划分方法

4. 分子片段划分方法：BRICS算法、官能团匹配、自定义子结构划分

好，咱们进入正题。上一章我讲了为啥要把大分子拆成小片段，这一章就聊聊具体怎么拆。说白了，分子片段划分就是把一个完整的分子图，切成一堆有意义的子图。切法不同，后面的注意力热图结果也会差很多。

我自己的经验是，这个环节特别容易翻车。你想想看，切得太粗，片段里边还混着各种官能团，那热图基本看不出啥规律；切得太细，一个甲基一个羟基都被拆开，又失去了化学语义。所以找对划分方法，是整条技术链的基石。

业内常用的方法有这么三类：BRICS算法、官能团匹配、自定义子结构划分。咱们一个一个说。

4.1 BRICS算法：自动拆解的行业标准

BRICS 的全称是 Breaking of Retrosynthetically Interesting Chemical Substructures。名字挺长，但意思很简单——它模仿有机合成化学家逆合成分析的思路，找到那些容易断裂的化学键，然后咔嚓一下切开。

我当年第一次用 BRICS 处理一个激酶抑制剂数据集，结果让我挺意外。它把一个复杂的杂环骨架完整保留了下来，只切掉了外围的取代基。这种天然的层次感，特别适合后面做自注意力分析。

BRICS 内部维护了一套预定义的裂解规则，大概有 16 类可断裂键。比如酯键、酰胺键、醚键这些，都是它重点关注的对象。

BRICS 裂解规则示例（SMARTS 模式）：

# 酰胺键断裂
[C:1](=[O:2])-[N:3]  ->  [C:1](=[O:2])  +  [N:3]

# 酯键断裂
[C:1](=[O:2])-[O:3]  ->  [C:1](=[O:2])  +  [O:3]

# 醚键断裂
[C:1]-[O:2]-[C:3]   ->  [C:1]-[O:2]  +  [C:3]

个人习惯：我会先用 BRICS 跑一遍全数据集，看每个片段出现的频率。低于 5 次的片段我通常直接过滤掉，不然注意力图里会冒出太多孤零零的噪声点。

特性	说明
划分依据	逆合成可断裂键 + 保护策略
优点	自动化、可重复、化学语义强
缺点	对非标准键处理差、过度裂解
适用场景	高通量筛选、骨架跃迁分析

4.2 官能团匹配：基于模板的精准切割

官能团匹配的方法更直观。你预先定义好一组化学官能团的SMARTS模式，然后用RDKit之类的工具去分子上找匹配。匹配到的地方，就作为一个独立的片段摘出来。

举个例子，假设你对羰基、羧基、苯环这块特别感兴趣，那就定义对应的SMARTS模板。跑一遍匹配，所有命中位置就变成了片段边界。

from rdkit import Chem
from rdkit.Chem import FragmentCatalog

# 定义官能团模板库（部分）
func_group_smarts = {
    'carbonyl': '[CX3]=[OX1]',
    'carboxyl': '[CX3](=[OX1])[OX2H1]',
    'amino': '[NX3;H2,H1;!$(NC=O)]',
    'phenyl': 'c1ccccc1'
}

mol = Chem.MolFromSmiles('CC(=O)Nc1ccc(O)cc1')
for name, smarts in func_group_smarts.items():
    patt = Chem.MolFromSmarts(smarts)
    matches = mol.GetSubstructMatches(patt)
    print(f'{name}: {matches}')

我曾经踩过的一个坑：SMARTS 模式写得不够严谨，导致把吡啶环误认为苯环。后来我养成了习惯，每个模板都要配合氢原子计数和环类型检查，不然出来的片段化学意义会扭曲。

官能团匹配的好处是可控性强。你做药物化学分析时，往往只关心特定的药效团片段。这时候 BRICS 那种暴力裂解反倒多余。我个人习惯在这样的场景下优先用官能团匹配。

4.3 自定义子结构划分：专家知识的落地

有时候，既有的算法和模板都不够用。比如你的分子是一个天然产物，结构里有个独特的螺环骨架，BRICS 可能把它切得七零八落，官能团模板也匹配不上——那就只能自己动手。

自定义子结构划分说白了就是：你指定哪些原子属于片段 A，哪些属于片段 B。RDKit 提供了 GetSubstructMatch 和 ReplaceSubstructs 这类底层接口，可以让你手动实现任意切法。

# 手动指定原子索引划分片段
mol = Chem.MolFromSmiles('C1CC(=O)NC1')
# 我想把羰基碳(C3)单独作为一个片段
frag_atoms = [[0,1,3,4], [2]]  # 两个片段
frags = Chem.GetMolFrags(mol, asMols=True, sanitizeFrags=False)

for i, frag in enumerate(frags):
    smi = Chem.MolToSmiles(frag)
    print(f'Fragment {i}: {smi}')

我的一个小窍门：自定义划分时，建议先用可视化工具（比如PyMOL或RDKit的Draw）把分子画出来，手动标好原子序号再写代码。盲写索引很容易搞错环系统。

这种方法的灵活性最高，但代价也很明显——无法自动化。处理几百个分子还行，几万个就不现实了。所以通常只在构建小规模高精度测试集时使用。

4.4 三种方法对比与选型建议

维度	BRICS	官能团匹配	自定义子结构
自动化程度	高，全自动	中，需定义模板	低，手动指定
化学语义保真度	高（合成路径合理）	中（依赖模板质量）	最高（完全控制）
大规模处理能力	强	强	弱
过切风险	中	低	无（手动控制）
适用阶段	初期探索、批量处理	中期聚焦、药效团分析	后期精调、验证集构建

我的建议是：先用 BRICS 跑通全流程，在热图上发现特定区域关注度异常高时，再用官能团匹配缩小范围。最后如果需要验证某个新假设，比如某个罕见杂环的注意力机制，那就用自定义子结构来精确定位。

说白了，这三类方法不是互斥的，而是递进的。工程师思维就是——先拿到结果，再迭代优化。