分子表征进化史：从SMILES到图神经网络的化学信息学基础

本节你将能

理解分子表征在计算化学中的核心地位，掌握五种主流分子表征方法的原理与适用场景，并了解 GNN 如何革新分子数据的机器学习处理方式。

直觉模型

想象你要向一台计算机描述一个分子。最直觉的方式是什么？写下一串字符——这就是 SMILES 的思路。但字符串无法直接表达分子的拓扑结构（哪些原子相连、哪些键是双键），就像用文字描述一张地图远不如画出来直观。

分子表征的本质，是找到一种计算机能理解的数据格式来编码分子的全部信息——原子类型、化学键、空间构象、电子分布等。不同的表征方法决定了下游 QSAR 模型能"看到"什么，也直接决定了 AI 药物发现的预测精度。

图1：分子表征方法演进时间线——从字符串到深度学习表征

核心要点

1. SMILES：字符串表征的开创者

1988年诞生的 SMILES 是最早的线性分子表征标准。阿司匹林的 SMILES 是 CC(=O)OC1=CC=CC=C1C(=O)O——原子用元素符号表示，键用特殊字符（= 双键、# 三键），环用数字标记。

优点：简洁紧凑，易于存储和传输。缺点：isomorphic molecules 可能有多种合法 SMILES（非唯一性），且字符串本身不包含空间结构信息。

2. InChI：标准化标识

2005年IUPAC推出的 InChI 解决了唯一性问题——每个分子有且仅有一个标准 InChI 字符串。它更像分子的"身份证号"，适合去重和检索，但不适合直接作为机器学习输入。

3. 分子指纹：快速相似性搜索

分子指纹（molecular fingerprint）将分子编码为定长二进制向量，每一位代表某个子结构是否存在。最常用的 ECFP（Morgan 指纹）可以高效计算分子间的 Tanimoto similarity，是虚拟筛选的基石。

图2：SMILES 到分子图的转换过程——从字符串到图结构

4. 图神经网络：端到端学习表征

2019年后，GNN 成为分子表征的主流方向。分子天然就是图——原子是节点，化学键是边。GNN 通过 message passing 机制在图上传播信息，自动学习最优的分子表征，无需人工设计特征。

GNN 的核心流程包含三步：

• 消息传递：每个节点收集邻居节点的信息
• 节点更新：将收集的信息与自身状态融合
• 图级读出：将所有节点状态聚合为分子级表征

图3：图神经网络 (GNN) 分子处理架构

5. 三维构象表征

最新的研究方向是直接使用分子的三维坐标作为输入。2024年的 EGNN 等模型可以处理旋转平移不变性，在分子对接和 binding free energy 预测中取得了突破。

实践建议

选择分子表征方法时应考虑任务需求：快速虚拟筛选用 ECFP 指纹；端到端性质预测用 GNN；精确结合能预测用 3D 构象 + EGNN。没有"最好"的表征，只有"最适合"的表征。

推荐工具：RDKit（SMILES/指纹/图提取）、PyTorch Geometric（GNN 框架）、DeepChem（端到端分子建模）。

---