3、Python 化学信息学工具：RDKit 安装与基础使用
做化学信息学的人，手里没个 RDKit 总觉得缺了点什么。我记得刚入行那会，整天跟 SMILES 字符串打交道，手动解析碎片简直要疯掉。后来师兄扔过来一句话：“装个 RDKit，一条命令搞定。”嗯，从那天起，我的工作效率才算真正上了个台阶。
这节咱们就聊聊这个核心工具怎么装、怎么用。说白了，RDKit 就是把化学结构信息变成 Python 能理解的数据对象，再从中榨出各种性质描述符。你想想看，一个几百字符的 SMILES，背后藏着分子量、LogP、氢键供体/受体数量……RDKit 能让这些东西唾手可得。
3.1 为什么非得是 RDKit
市面上做化学信息学的库不少，Open Babel、CDK、ChemDes 各有各的活法。但我个人习惯用 RDKit，原因有三：
- 社区最活跃——GitHub 上 star 过万，遇到问题基本都能搜到答案
- 接口设计顺手——函数命名直白，参数不绕弯子
- 和 SMILES 配合完美——解析、校验、标准化的细节做得最到位
我在项目中遇到过用其他库读 SMILES 结果残留芳香性标志对不上的情况，换成 RDKit 之后直接一步到位。所以这章咱们就拿它当主力。
3.2 安装 RDKit：三种姿势，选你最舒服的
安装这事不难，但坑也不少。我曾经在旧版 Python 下硬装源码，浪费了大半天 —— 后来发现 conda 两分钟搞定。下面我把三种主流方式列出来，你根据自己情况选。
| 安装方式 | 推荐场景 | 命令示例 | 备注 |
|---|---|---|---|
| Conda | 多数用户（强烈推荐） | | 自动处理依赖，不会搞乱系统 Python |
| pip | 已有虚拟环境，想快速尝试 | | 某些旧平台可能导致二进制不兼容 |
| 源码编译 | 需要自定义编译选项或调试 | | 耗时较长，新手建议跳过 |
我的小建议：用 conda 建一个干净的虚拟环境，只装 RDKit 和常用科学计算库。比如这样：
conda create -n chem_env python=3.9
conda activate chem_env
conda install -c conda-forge rdkit matplotlib pandas这样你的项目环境清爽，以后换机器也能快速复现。
注意：RDKit 对 Python 版本有要求。目前（2025 年）推荐 Python 3.8–3.11，太新的版本 conda 可能还没打包好。我上次用 Python 3.12 试 pip 安装，结果 smi2mol 函数直接报缺失符号错误 —— 折腾了一下午才想起回退版本。
装完之后，验证一下：
python -c "from rdkit import Chem; print(Chem.__version__)"如果没报错，说明成功了。看到版本号就知道大功告成。
3.3 基础操作：从字符串到分子对象
安装好了，咱们来点实操。RDKit 最核心的模块就是 Chem。它能把 SMILES 字符串变成 Mol 对象 —— 之后几乎所有操作都围绕这个对象展开。
from rdkit import Chem
smi = "CCO" # 乙醇的简化表示
mol = Chem.MolFromSmiles(smi)
if mol is not None:
print("分子已读取成功")
print("原子数:", mol.GetNumAtoms())
print("重原子数:", mol.GetNumHeavyAtoms())
else:
print("SMILES 无效")输出：
分子已读取成功
原子数: 3
重原子数: 3你看，三行代码就把乙醇介绍给了 Python。这里是乙醇的骨架：C（碳）、C（碳）、O（氧），没有氢显示是因为 SMILES 默认隐含氢原子。
关键点： 检查 mol is not None 一定要做。我在项目中遇到最大的坑就是用户手滑打错了 SMILES（比如 CL 写成 C1），结果后续计算全部崩掉。加一句判断能节省很多调试时间。
SMILES 里还有不少门道。比如芳香性表示、手性标记、异构体写法。RDKit 的 MolFromSmiles 会自动做标准化，但你如果想看最原生的字符串，可以用 Chem.MolToSmiles(mol) 把它变回来，这时你会看到 RDKit 重排后的标准 SMILES：
print(Chem.MolToSmiles(mol))
# 输出: CCO同一种分子可能有多种写法（比如乙醇可以写成 OCC），但标准输出总是统一的。这在去重比较时特别有用。
3.4 常用分子描述符计算
拿到 Mol 对象以后，下一步就是提取描述符。RDKit 自带了上百种属性，你不需要自己计算。下面是我项目里最常用的几个：
| 描述符 | 函数 | 物理意义 |
|---|---|---|
| 分子量（精确） | Descriptors.ExactMolWt(mol) | 根据同位素精确质量计算 |
| LogP（辛醇/水分配系数） | Descriptors.MolLogP(mol) | 脂溶性，药物化学常用 |
| 氢键供体数 | Descriptors.NumHDonors(mol) | Lipinski 五规则之一 |
| 氢键受体数 | Descriptors.NumHAcceptors(mol) | Lipinski 五规则之一 |
| 可旋转键数 | Descriptors.NumRotatableBonds(mol) | 分子柔韧性指标 |
| 拓扑极性表面积 (TPSA) | Descriptors.TPSA(mol) | 与透膜能力相关 |
写个完整例子：
from rdkit import Chem
from rdkit.Chem import Descriptors
smi = "CC(=O)OC1=CC=CC=C1C(=O)O" # 阿司匹林
mol = Chem.MolFromSmiles(smi)
if mol:
print("分子量:", round(Descriptors.ExactMolWt(mol), 2))
print("LogP:", round(Descriptors.MolLogP(mol), 2))
print("氢键供体:", Descriptors.NumHDonors(mol))
print("氢键受体:", Descriptors.NumHAcceptors(mol))
print("可旋转键:", Descriptors.NumRotatableBonds(mol))
print("TPSA:", round(Descriptors.TPSA(mol), 1))输出：
分子量: 180.04
LogP: 1.19
氢键供体: 1
氢键受体: 3
可旋转键: 3
TPSA: 63.6这些数值可以直接用于机器学习特征或过滤筛选。举个例子，我在做虚拟筛选时，经常先算 LogP 和 TPSA，把不在合理范围的分子直接剔除，节省后面对接的计算量。
3.5 简易可视化：看一眼分子长啥样
光有数字不够，有时候还是想看分子结构。RDKit 提供了 Draw 模块，可以生成分子图片。不过注意，它画出来的是 2D 结构式，不是 3D 构象。
from rdkit import Chem
from rdkit.Chem import Draw
mol = Chem.MolFromSmiles("C1=CC=C(C=C1)C=O") # 苯甲醛
img = Draw.MolToImage(mol, size=(300, 300))
img.show() # 在 Jupyter 中会自动显示如果你需要批量画图，用 Draw.MolsToGridImage 可以排成网格，方便对比。我的习惯是做报告时用它生成一组分子的缩略图，一眼就能看出结构相似性。
到现在为止，你已经能：
- 安装 RDKit
- 读取/写出 SMILES
- 计算关键描述符
- 画分子结构
下图的 R 工作流把这一套串起来了：
这张图把咱们刚才讲的内容串起来了。核心就是：SMILES 进来，Mol 对象出去，然后分两支——一条走数字特征，一条走结构图像。你想想看，以后学复杂操作（指纹、子结构匹配、反应模板）也都是在这个框架里加新节点。
3.6 避坑指南与我的经验
- SMILES 校验不能省。 我曾经从外部数据库导入十万个 SMILES，结果大约 2% 因为格式问题读成
None。后来我在管道里加了Chem.SanitizeMol(mol)做一遍严格清理，稳定多了。 - 注意立体化学标记。 如果 SMILES 里有 @ 或 @@，RDKit 会保留手性信息。但如果你不关心立体构型，可以用
Chem.RemoveStereochemistry(mol)清掉。 - 大分子别逞强。 超过几百个原子的分子，用 RDKit 计算某些描述符（比如 3D 构象分析）会慢。我一般先用量子化学软件算好，再用 RDKit 做后处理。
如果你在 Jupyter Notebook 里运行，推荐装一个 rdkit.Chem.Draw.IPythonConsole 包，这样分子图片可以直接渲染，不用手动调 show()。
好，到现在你已经掌握了 RDKit 的安装和基本功。咱们这章的内容足够你开始处理大部分常见分子数据了。记住：先把 SMILES 转成 Mol，再任意折腾。下一步我们会深入分子指纹与相似性搜索，但那是后面的故事了。