第2章 编目柜台：化学结构的计算机表征

第 2 章 · 编目柜台：化学结构的计算机表征

章节摘要：计算机不认识六边形和楔形键，一切下游计算都从"把结构写成数据"开始。本章拆开三种互补的表征方式：线性符号（SMILES 与 InChI）负责好写好传输，分子图与连接表（MOL 格式）负责机器内部运算，三维构象与立体化学负责那些"二维长得一样、性质天差地别"的分子。三种表征各答一个不同的问题，本章会让你形成条件反射：拿到任何结构任务，先问该用哪种表征。

学习目标

读完本章，你应当能够：

1. 手写并解读常见分子的 SMILES，包括支链、环闭合与立体化学标记；
2. 说清 SMILES、InChI、InChIKey 三者的分工，为对账、检索、传输场景各选对工具；
3. 读懂 MOL 连接表的原子块与键块，理解"分子即图"在机器内部的真实形态；
4. 用 RDKit 做子结构匹配，并解释为什么工业检索要"指纹粗筛加精确匹配"两步走；
5. 解释手性、互变异构为什么会让二维表征失效，并演示标注手性中心的代码；
6. 为分子批量生成三维构象系综，并判断构象质量是否足够下游使用。

核心概念速览

表征即命运：你选择的结构编码方式，决定了哪些问题便宜、哪些问题昂贵、哪些问题根本不可见。

编目柜台上的三种登记方式对应三种用途。线性符号是给人写、给系统传的——SMILES 像化学的速记诗，InChI 是算法生成的标准身份证。分子图与连接表是给程序算的——原子表加键表，图算法的主场。三维与立体表征是给空间问题的——对接、构象分析、3D 描述符都从这里出发。三者之间靠无损转换连接，任何一环写错，下游全部报废。

这条流水线请记住方向：从字符串到图，再从图到坐标与比特串。第4章的指纹、第5章的相似性、第6章的建模，全部发生在图的下游。

子章节导航

2.1 线性符号系统：SMILES 与 InChI——逐字符解剖 SMILES 的六类语法要素，看清解析器如何把一行字符串重建为分子图；InChI 的分层结构与固定长度 Key 为什么成了跨库对账的身份证；咖啡因的五种写法如何被归一成同一身份。

2.2 分子图与连接表——走进机器内部：MOL 格式的原子块与键块、邻接表的组织方式、图同构问题为什么本质困难，以及工业界"指纹预筛加精确匹配"的组合拳如何绕开它。附一段从零构建分子图的 RDKit 代码。

2.3 三维构象与立体化学表征——手性中心的 R/S 标注、SMILES 立体标记的读写、构象系综的生成与能量优化；用一个手性分子与一个柔性药物的完整代码案例，说明三维表征何时必须、何时可以省。

子章节之间的逻辑关系

三节是同一对象的三个投影，抽象程度递增、信息量递增：线性符号牺牲坐标换便携，连接表牺牲便携换可算，三维表征补回被牺牲的空间信息。2.1 的输出是 2.2 的输入，2.2 的图加上坐标就是 2.3 的构象；而 2.2 里埋下的"图同构昂贵"伏笔，将在 2.3 之后由第4章的指纹正式接手化解。

  2.1 字符串层            2.2 图层              2.3 空间层
 ┌───────────┐  解析   ┌───────────┐  嵌坐标  ┌───────────┐
 │  SMILES   │ ──────▶ │ 原子表键表 │ ──────▶ │ 构象系综   │
 │  InChI    │         │ 图同构查询 │          │ R S 与 E Z │
 └───────────┘         └─────┬─────┘          └───────────┘
                             │ 图匹配太贵？
                             ▼
                   第4章：指纹比特串预筛
​

前置知识与后续延伸

本章假设你认识原子、共价键、苯环，知道"手性"这个词；不要求图论基础——邻接表、图同构会在用到时用日常语言讲透。工具上只需要能运行 Python 与 RDKit，安装方式见第 10.1 节。

往后的路标：本章结束你就具备"读写结构"的全部能力，第3章马上用它处理真实数据集——脏数据的第一杀手就是不规范的表示；第4章的描述符与指纹则是分子图的逐位压缩，把本章的图变成第5章相似检索的燃料。