化学信息学 (Chemoinformatics)

化学信息学（Chemoinformatics）教程导读

本册定位：化学信息学是把化学结构变成计算机可读、可算、可检索的数据，再从数据出发设计新分子的一门工程学科。本册按"图书馆"的主线组织十章内容——从结构表示、数据治理、描述符与指纹，到相似性检索、QSAR 建模、虚拟筛选、分子生成与反应规划——面向药物发现、材料设计与化学品数据管理的从业者与学习者。

「SMILES」——在这册书里，它是索书号，是馆藏条码，也是任何计算机都能翻阅的通用目录。你随手写下的这串字符，可能对应一粒阿司匹林，可能是一段候选药物的骨架，也可能是一种还没被合成出来的新材料。把化学结构翻译成计算机能读、能算、能检索的数据，再从数据出发反推值得做实验的分子——这门手艺，就是化学信息学（Chemoinformatics）。

我们更愿意把它叫作"分子图书馆的编目手艺"。一座好的图书馆，不在于藏书多，而在于你能否在几分钟内找到想要的那本，能否判断两本书讲的是不是同一件事，能否根据你的口味荐出你从没听说过但正合需要的新书。化合物宇宙的规模远超任何一座实体图书馆：理论可合成的药物样小分子估计在 10 的 23 次方到 60 次方量级，而已被合成、登记在册的不过两三亿。没有编目、没有索引、没有检索策略，这座馆藏对任何研究者都是黑暗的仓库；有了这套手艺，它才成为可以导航的知识空间。

为什么这门手艺值得花时间

药物研发的一条公认经验法则是"Eroom 定律"——投入翻倍，单位产出的新药反而在缓慢下滑，研发成本每九年翻一番。业内归因时总绕不开两条：实验试错太贵，数据没有用好。化学信息学恰好插在这两处：它让"先算后做"成为可能——用相似性检索圈定候选，用 QSAR 模型预判活性，用虚拟筛选把十万次实验压缩成一百次值得做的实验；它也让历史数据变成资产——ChEMBL 里几十年积累的活性记录，清洗之后就是训练模型的养料。

不只制药。锂电池电解质配方、有机发光材料的分子筛选、催化剂配体的优选、香精与农药分子的设计，底层用的都是同一套技能：结构表示、描述符计算、指纹检索、性质建模。学会这套手艺，你拿到的是一把在多个行业通用的钥匙。

全书主线：一座分子图书馆的日常运营

本册十章，按图书馆的运营逻辑分成四层，层与层之间是严格的依赖关系——不理解表示（第2章），就谈不上数据治理（第3章）；没有描述符与指纹（第4章），相似性与聚类（第5章）就无从算起；没有前五章的底子，QSAR（第6章）和虚拟筛选（第7章）只能照抄教程参数，出了问题无从排查。第8章的现代生成模型、第9章的反应信息学是进阶能力，第10章收拢工具生态与前沿方向。

图 0-1：全册知识地图——四层十章的学习路线

跟着这张图读：横向是同一层内的顺序依赖，纵向箭头是跨层的前置关系。如果你只记得一件事，请记住——表示是根，检索是干，建模和生成是花果；跳过根去追花果，是这门学科最常见的学法错误。

三种读者，三条路线

做数据分析出身、想进药企或 CRO 的读者：从第2章补结构表示起步，认真做完第4章指纹和第5章相似性的全部计算练习，再看第6章建模——你的统计功底是优势，缺的只是把分子变成特征的那段桥梁。第7章虚拟筛选是面试和入职后最常用的场景，值得精读。

化学、药学出身、想补计算能力的读者：第1、2章对你几乎是无痛复习，重点在第3章数据治理和第6章建模工作流——化学家的直觉能帮你判断"哪些描述符在该靶点上讲得通"，这是纯计算机背景的人最缺的护城河。第9章反应信息学建议整章精读。

只想建立全局认知的管理者与产品经理：读每章支柱页与 1.1、3.1、7.1、10.2，即可拼出全行业的成本结构与工具版图；判断一个 AI 制药团队是否靠谱，看他们怎么处理第3章的数据清洗和第6章的模型验证，比听概念演讲有用得多。

动手环境与学习方法

本册的代码练习以 Python 与 RDKit 开源工具包为主（第10.1节有完整选型讲解），多数示例只需要几行代码就能跑通。我们建议的学习循环是：读一节 → 把示例数字亲手算一遍 → 换一个自己的分子重跑 → 猜结果再验证。比如学 Tanimoto 系数时，先手算两个小分子的指纹重叠，再与 RDKit 输出对答案；算错不可怕，算错后找到错在哪一位比特，理解才真正发生。

化学信息学是少数"历史数据即教材"的学科：公共数据库里躺着几十年、数百万条的实验记录，本册大量案例直接取材于此。学完第7章后，不妨给自己出一道综合题——从 ChEMBL 选一个靶点，独立跑通"取数据、清洗、建库、相似性筛选、QSAR 精排"的完整链条。能独立跑通这条链，这门手艺就算真正上手了；再往后，第8、9章的现代生成与反应模型，不过是给这条链换上更强的引擎。