2.2 分子图与连接表

2.2 分子图与连接表

本节摘要：在机器内部，分子既不是字符串也不是图片，而是图——原子是顶点，键是边。本节讲清连接表如何组织这张图、图同构为什么是子结构检索的成本大头，以及工业检索"指纹粗筛加精确匹配"组合拳的原理。读完你将能徒手读 MOL 文件、用 RDKit 遍历分子图，并解释亚结构查询为何要预筛。

上一节把字符串交给了解析器，本节走进解析器的输出物：分子图。这是全册技术含量最高的一块地基——第4章的指纹是对图的压缩编码，第5章的相似性是对图的比较，第8章的图神经网络更是直接在图上做机器学习。看不懂图，后面全是黑箱；看懂了图，后面全是常识。

邻接表里住着苯环

打开一个 MOL 文件（连接表格式），你会看到三段：头部注释行、原子块、键块。原子块每行一个原子——横纵坐标、元素符号；键块每行一条键——两个原子的编号与键级。下面是乙醇的最小连接表（省略了固定格式的列对齐）：

  atoms（原子块）
  C    -0.0141  0.8240   0.0000     # 1 号原子：甲基碳
  C     0.7705 -0.4491   0.0000     # 2 号原子：亚甲基碳
  O    -0.0263 -1.2690   0.0000     # 3 号原子：羟基氧
  bonds（键块）
  1 2  1     # 1-2 之间单键
  2 3  1     # 2-3 之间单键
​

仅此而已——没有环号、没有括号、没有隐式氢的谜题，一切都在表里。用图的术语重述：原子块是顶点集，键块是边集，坐标只是顶点的可选属性。程序里最常用的组织方式是邻接表：每个原子挂一个列表，记录它与哪些原子相连、键级几何。遍历邻居、做深度优先搜索、找环，都顺着这张表走。

图 2-2：同一个分子的三种形态

三种形态信息等价，但提问成本天差地别："分子里有没有苯环上带羟基的片段"，在字符串上几乎无法回答，在邻接表上是一个标准的图匹配问题。

图同构：精确比对的本质与代价

"两个分子是不是同一个"在图上是图同构问题；"这个片段是不是那个分子的一部分"是子结构同构问题。后者是前者的推广，计算复杂度在最坏情况下是指数级的——查询图的每一个原子都可能匹配目标图的任何一个同类原子，组合爆炸随分子规模陡增。日常小分子感觉不到慢，是因为分子图很小、元素种类天然剪枝；一旦查询模式复杂、目标库上了百万级，全库精确匹配就变成不可承受的开销。

工业界的解法不是发明更快的同构算法，而是避免对大多数分子做精确匹配：先用廉价的有损比较排除掉绝大多数不可能的分子，只对剩下的极小候选集做精确图匹配。有损比较用的就是指纹——把结构特征逐位编码成比特串，两个比特串按位比较就能以极低成本断定"不可能匹配"。指纹的构造细节在第 4.2 节展开，这里只需要接受结论：指纹预筛把 O（全库）的精确匹配压缩成 O（极小候选集）的精确匹配加上 O（全库）的位运算，后者比前者快几个数量级。

案例：给子结构查询装上预筛器

背景。假设我们要在一万个分子的内部库里回答："哪些分子含有羧酸片段？"这是药化登记、杂质排查、库设计里的高频查询。目标是理解检索工具内部发生了什么，而不是背函数名。

操作。先定义查询模式（SMARTS 语法，可理解为"带通配符的 SMILES"），再分别用直接匹配与两步匹配跑一遍：

from rdkit import Chem

library = [
    "CC(=O)Oc1ccccc1C(=O)O",   # 阿司匹林，含羧酸
    "CC(C)Cc1ccc(cc1)C(C)C(=O)O",  # 布洛芬，含羧酸
    "CN1C=NC2=C1C(=O)N(C)C(=O)N2C", # 咖啡因，不含羧酸
    "OC(=O)CC(=O)O",           # 琥珀酸，两处羧酸
]
patt = Chem.MolFromSmarts("C(=O)O")   # 羧酸与酯基共同的碳氧骨架

direct = [s for s in library
          if Chem.MolFromSmiles(s).HasSubstructMatch(patt)]
print(direct)   # 命中含羧酸或酯的分子：阿司匹林、布洛芬、琥珀酸

# 两步法示意：先按分子式排除（示意层面的廉价预筛）
formulas = {s: Chem.rdMolDescriptors.CalcMolFormula(Chem.MolFromSmiles(s))
            for s in library}
print(formulas)  # 每个分子一次 O 原子计数，成本远低于逐键图匹配
​

结果。直接匹配返回三个分子。注意一个精细之处：模式 C(=O)O 匹配的不只是羧酸——阿司匹林的酯基同样满足这个拓扑。若业务上只要游离羧酸，模式应收紧为 C(=O)[OX2H1]。查询语言的精度，取决于你对模式语义的把握。

解读。这一小段代码演示了检索系统的分层哲学：SMARTS 定义"要什么"，指纹预筛负责"快速排除"，子结构匹配负责"最终确认"。真实的百万级库检索中，预筛通常会排除九成以上分子，精确匹配只碰剩下的零头。代价是指纹偶尔"漏筛"（它是有损编码），所以最终答案永远以精确匹配为准——宁可慢一点，不可错一点，这是检索与建模在哲学上的分野。

变式。把查询从"找片段"升级为"找相似"（片段放宽为整体拓扑的近似重合），精确匹配彻底退场，全靠指纹与相似系数打分排序——那是第 5.1 节的主题。再变一步：查询对象从静态结构换成"可反应的位置"（比如只找芳环上邻位无取代的氯），SMARTS 配合环境原子描述符同样能表达——查询语言的表达力，常被初学者严重低估。

从邻接表出发的两个日常问题

图表示的两桩日常应用，值得单独一提，因为它们是更高级操作的零件。

环感知。"哪些原子在环上、环有多大、几个环共享一条边"——顺着邻接表做深度优先搜索即可回答，它是芳香性感知（2.1 节解析流水线）、Murcko 骨架分解（5.2 节）与环系描述符（4.1 节）的共同前置。实现要点是把"树边"与"回边"分开：回边即环的 closure，从一个回边出发绕回起点就走出了一个环。原子等价类。"这几个原子在图上等价吗"——通过规范算法（摩根算法的直系应用）给原子打上对称性标签。它最实用的场景是规范化与映射：SMILES 规范化时选择从哪个等价类开始遍历，等价类保证写法唯一；反应原子映射（9.1 节）与 NMR 谱峰归属这类"认原子"的任务，第一步都是等价类。这两桩应用的共同启示：邻接表加基础图算法，已经能回答化学信息学里一大半"结构层面"的问题——高级框架解决的是效率与规模，不是可能性。

本节要点回顾

• 分子即图：原子块加键块的连接表是机器内分子的真实形态，坐标只是可选属性。
• 同构本质困难：子结构匹配最坏指数复杂度；日常感觉快，是因为分子小、剪枝强。
• 组合拳原理：指纹做有损粗筛，图匹配做精确确认；预筛让全库检索从不可能变成毫秒级。
• 模式语义决定精度：C(=O)O 与 C(=O)[OX2H1] 差一个羟基，结果就差出酯类一大家子。
• 下一站：图还缺一样东西——空间。2.3 节给原子装上坐标，处理手性与构象这些二维看不见的事实。