分子结构表示基础：SMILES、分子图、分子指纹

做ADMET预测，第一个要解决的问题就是：怎么让计算机看懂分子结构。

你想想看，一个化合物，对咱们来说是一张二维结构式。但对计算机来说，它只是一堆原子怎么连、电子怎么排的抽象信息。所以，必须找到一种方式，把这堆信息“翻译”成机器能处理的东西。

这个翻译过程，我把它概括为三种核心表示法：SMILES、分子图、分子指纹。它们各自解决了不同层面的问题。今天咱们就把这三样东西彻底搞明白。

一、SMILES：一行字符串里的化学世界

SMILES，全称是Simplified Molecular Input Line Entry System。听起来很绕口，说白了就是一个“化学结构速记法”。

我记得在我刚入行那会儿，做化合物库筛选，几百个分子要我一个个画出来再存成文件？那效率简直没法看。后来学会用SMILES，一行字符串就能代表一个完整分子，瞬间解放了双手。

它怎么工作的？看个例子就懂了。

化合物	SMILES表示	说明
乙醇	CCO	C-C-O，三个原子直连
苯	c1ccccc1	小写c代表芳香碳，数字1标记环起点
对硝基苯甲酸	O=C(O)c1ccc(cc1)[N+](=O)[O-]	包含分支、环、电荷标记

核心规则其实没几条：

• 原子用元素符号表示：大写字母开头，比如C、O、N。特殊状态用小写，比如芳香碳是c。
• 单键不写，双键用=，三键用#：比如二氧化碳 O=C=O。
• 环用数字标记：第一个环开口处标1，另一个开口也标1。
• 分支用括号括起来：比如异丙醇 CC(C)O。
• 电荷用方括号加+或-：比如钠离子 [Na+]。

这里有个坑，我以前踩过：SMILES没有唯一的表示法。同一个分子，不同软件生成的SMILES字符串可能不一样。比如甲苯，有的软件生成Cc1ccccc1，有的生成C1=CC=C(C=C1)C。这在做数据库匹配时会出大问题。

SMILES的最大优点，是极致的简洁。一行字符串可以存进文本文件，也可以直接放进数据库的字段里。它把二维结构压缩成了一维字符串，节省大量存储空间。

但缺点也很明显：它丢失了拓扑结构信息。虽然人能看懂，机器也能做简单的子结构匹配，但要对整个分子做图级别的运算——比如图神经网络的前向传播——SMILES就力不从心了。

二、分子图：还原本质的结构表示

我常说，分子天生就是一张图。原子是节点，化学键是边。节点上带有元素类型、电荷、杂化状态等属性，边上带有键级、是否芳香等属性。

这种表示法，对图神经网络来说简直是量身定做。现在的ADMET预测模型，用得最多的就是图神经网络。为什么呢？因为它能完整保留分子的拓扑结构，不会丢失任何连接关系。

让我用代码展示一下RDKit怎么构建分子图：

from rdkit import Chem

# 从SMILES生成分子对象
mol = Chem.MolFromSmiles('CCO')

# 获取原子信息
for atom in mol.GetAtoms():
    print(f'原子索引: {atom.GetIdx()}, 元素: {atom.GetSymbol()}, 价态: {atom.GetTotalValence()}')

# 获取化学键信息
for bond in mol.GetBonds():
    begin = bond.GetBeginAtomIdx()
    end = bond.GetEndAtomIdx()
    bond_type = bond.GetBondType()
    print(f'键: {begin} - {end}, 类型: {bond_type}')

输出结果：

原子索引: 0, 元素: C, 价态: 4
原子索引: 1, 元素: C, 价态: 4
原子索引: 2, 元素: O, 价态: 2
键: 0 - 1, 类型: SINGLE
键: 1 - 2, 类型: SINGLE

你看，一个乙醇分子，在RDKit内部就是以图的形式存在的。它的邻接矩阵就是一个3x3的稀疏矩阵，节点特征矩阵则是3行N列（N是特征维度）。

在我实际做ADMET项目时，遇到的第一个问题就是图的大小不一致。小分子只有几个原子，大分子可能有上百个。怎么办？一般采用填充或截断的策略：设定一个最大原子数（比如50），不足的补零，超出的截断。经验告诉我，大部分药物候选分子的原子数都在30到50之间，所以这个值一般设50就够用了。

分子图的优点是任何结构信息都不会丢失。但代价也很直接——计算开销大。每一层图卷积都要做矩阵乘法，图越大越慢。而且训练图神经网络需要GPU，不像传统机器学习那么好伺候。

三、分子指纹：从结构到特征的压缩

如果觉得图神经网络太重了，想用随机森林或XGBoost搭一个ADMET预测模型怎么办？这时候，分子指纹就派上用场了。

分子指纹的本质，就是把分子的结构信息压缩成一个固定长度的二进制向量。好比给分子拍了一张“素颜照”，把关键特征提取出来，变成一串0和1。

我最早接触的是MACCS指纹，它只有166位。说白了就是预定义了166个结构片段，每个片段对应一个位，有就置1，没有就置0。简单粗暴，但在很多场景下已经足够好。

后来发现更强大的是ECFP（Extended-Connectivity Fingerprints），也叫Morgan指纹。它的原理是：从每个原子开始，不断向外扩展半径，把每个半径范围里的子结构哈希成一个整数，映射到指纹的某个位上。半径越大，覆盖的结构信息越丰富。

看代码：

from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles('CCO')

# 生成ECFP4指纹（半径=2，位长=2048）
ecfp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=2048)

# 转为numpy数组
import numpy as np
arr = np.array(ecfp)
print(f'指纹长度: {len(arr)}')
print(f'前20位: {arr[:20]}')
print(f'置1的位总数: {sum(arr)}')

输出：

指纹长度: 2048
前20位: [0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
置1的位总数: 8

可以看到，一个大分子经过指纹化后，只剩下几个位是1。这就像给分子打了一个“指纹印记”，虽然不能还原出原始结构，但可以用于相似性比较和机器学习。

下面这个表格，是我在实际项目中比较过的主流指纹：

指纹类型	位长	特点	适用场景
MACCS	166	固定片段集，速度快，但信息量有限	快速筛选、粗略分类
ECFP4	1024 / 2048	基于原子邻域，信息丰富，ADMET预测首选	回归模型、精确分类
FCFP	1024 / 2048	与ECFP类似，但基于特征	药效团匹配
RDKit	自定义	基于路径片段，可解释性强	特征分析、结构-活性关系

分子指纹的最大优点是高效。不管分子多复杂，最后都变成几百或几千维的位向量。这可以直接喂给逻辑回归、随机森林、XGBoost这些传统模型。而且计算指纹的速度极快，百万级分子的库，几分钟就能算完。

但缺点也要心里有数：指纹是有损压缩。两个不同的分子，可能生成相同的指纹（虽然概率很低）。另外，指纹解释性差——你知道某一位是1，但说不清它代表哪个具体的子结构。

四、三种表示法的关联与选择

这三者不是互斥的，而是层层递进的关系。我习惯用下面这张图来展示它们之间的关联：

看了这张图，你应该能感觉到我的推荐路径了：原始结构存成SMILES（方便数据交换），做图神经网络时转成分子图（信息无损），做传统机器学习时转成分子指纹（高效稳定）。

举个实际项目的例子。我之前做一个CYP450抑制的预测项目，数据量不大，只有2000个分子。数据表里存的是SMILES。我同时试了两条路：

• 路线A：SMILES直接算ECFP4指纹，然后用XGBoost训练。训练时间不到30秒，测试AUC 0.88。
• 路线B：SMILES转分子图，用图卷积网络训练。训练时间2小时，测试AUC 0.90。

你看，虽然GNN效果好一丢丢，但为了这点提升多花两个小时，值不值？这就要看你的项目需求了。快速出结论的场景我用指纹，追求极致精度的场景我用图。