从 SMILES 到三维构象:分子表示决定模型看见什么

先给结论:表示不是包装,而是问题定义的一部分

把同一个分子写成字符串、画成原子—键图,或放进三维坐标系,模型读到的并不是完全相同的信息。SMILES 把图结构序列化,便于使用成熟的序列模型,却引入遍历顺序与语法;分子图显式表示原子、键及其属性,强调拓扑关系,但不自动含有某个构象的空间位置;三维表示将原子放到坐标中,可以表达距离和方向,却必须面对坐标系变换、构象选择与几何来源。它们各有取舍,没有脱离任务的总排名。

Wigh 等人的综述把常见路线归为字符串、连接表、基于特征与机器学习得到的表示,并以 SMILES 等为例讨论分子表征。Yang 等人的 D-MPNN 研究则展示了从分子图学习表示、并与人工描述符组合的实践。选择时首先要问:标签取决于连接关系、立体化学、构象,还是环境中的动态分布?其次才是模型偏好什么输入。

SMILES:把分子图写成可读的线性序列

序列化有用,也会引入遍历选择

分子可以抽象为带标签的图:节点表示原子,边表示化学键。SMILES 通过一串字符记录原子、键、支链和环闭合,使图结构可以写进文本。以乙醇为例,CCO 是常见写法;换一个起点也可以写成 OCC。两串序列可以解析回相同的连接结构。更复杂的分支用括号表达,环闭合则以数字标记配对位置。手性和键的立体化学也有相应符号,但必须正确编码并由解析器解释。

这种线性化的优势很直接:文本语料、分词器、自回归生成与序列编码器都能复用。模型可以把下一 token 预测当作训练目标,生成模型也能逐步输出一个分子编码。对于规模较大、可从字符串数据库取数的任务,SMILES 是低门槛接口。然而,序列中的前后相邻并不总对应化学图上的近邻;分支和环的长距离指代也依赖语法规则。一个基于序列的网络若缺少图结构归纳偏置,可能需要自行从数据中学会这些约束。

同一分子通常有多种合法的 SMILES 遍历。规范 SMILES 可以在指定算法与标准化约定下选出确定写法,但它不是脱离软件、版本及标准化规则的天然唯一标识。随机化 SMILES 可用作数据增强,让模型见到同一结构的不同序列;这能削弱对单一路径的依赖,也可能让训练目标因遍历而更复杂。若数据整理未统一盐形式、互变异构体、质子化或芳香性约定,字符串差异还可能来自化学标准化,而不只是遍历。

SELFIES 让语法更稳,不让化学结论自动成立

SMILES 的一个实际困难是,任意字符序列不一定能解析成有效分子。生成过程中若括号、环标记或价态不合规则,候选就可能无效。Krenn 等人提出 SELFIES(SELF-referencing Embedded Strings),通过带状态的符号解释和价态约束设计分子字符串。论文的核心主张是,在其规则覆盖的化学范围内,任意 SELFIES 字符串都能解码成有效分子,并且目标分子可以用 SELFIES 表示;原文也讨论了将规则扩展到更广泛化学对象的方向。SELFIES 原论文将此设计用于分子生成。

需要把“有效”理解得准确:语法层面的分子合法性,不等于合成可行、稳定、无毒、具有目标活性,也不保证字符串空间中的每种变化对应合理的化学编辑。SELFIES 的保证依赖其符号规则、语义约束与覆盖范围;离子、立体化学、超价元素等表达能力要看具体规则集与实现。它缓解了无效字符串比例的问题,却没有替代构象搜索、量子化学计算、实验验证或性质模型。实际使用时仍需报告版本和化学标准化流程,不能把“100% robust”误读成“100% 有用”。

分子图:保留连接关系,空间几何要另行加入

节点和边把化学结构显式化

图表示通常为每个原子建立节点特征,例如元素类型、形式电荷、芳香性、手性标记及氢相关信息;每条键建立边特征,例如键级、芳香键属性和立体化学。实际特征集合取决于数据格式和模型,不能假设所有图都包含全部字段。图神经网络在邻居之间传递信息,逐层聚合局部原子环境,再读出分子级表示。由于图本身不规定节点排列顺序,合适的消息传递和对称聚合可使分子预测不随原子编号重排而变化。

图的关键优点是把原子连接显式编码:一个化学键是边,不必从字符距离间接猜出。代价是普通二维图通常不带单一构象的三维坐标。对于依赖几何的性质,仅有拓扑可能不足;即便图里写入手性标签,它也没有给出一个具体环境中原子间的距离、角度或可动构象分布。反过来,若任务标签主要由连接与局部官能团决定,给模型额外坐标也未必带来收益,甚至可能引入构象生成噪声。

Yang 等人提出的 directed message passing neural network(D-MPNN)是学习图表示的代表例子。它沿有向键传播消息,而不是仅以原子为消息中心,并通过排除直接反向消息减少一步内的来回传递。论文还研究了混合模型,把学习到的图表示与全局 RDKit 分子特征组合。作者在多种公开和工业性质任务上比较 D-MPNN、指纹及描述符模型;结果说明学习表示很有竞争力,却没有证明任一图架构在所有数据量与性质上都最优。论文还观察到,小数据任务中指纹可能占优,外加描述符也不是每个数据集都能改善结果。Yang 等人的论文因此也提醒我们,模型表达能力并不能抹去样本量和标签条件的影响。

三维表示:几何信息伴随着坐标与构象假设

一个坐标系不是分子的化学本体

三维输入常由原子类型、坐标及可选的图连接共同构成。坐标给出原子之间的距离和角度,有机会描述立体化学、构象与空间相互作用;但同一连接图可以对应多个构象,单个坐标样本只是可能状态之一。构象可能来自经验力场、量子化学优化、实验结构或构象生成器。输入的来源、优化条件和筛选方式会影响模型,三维坐标并非无噪声的“真值”。

几何模型还应遵守坐标系变化规律。对一个只依赖分子内几何的标量性质,整体平移或旋转不应改变预测,即模型应对坐标变换保持不变。若要预测力、偶极等向量,目标本身应随整体旋转一起转动,因而需要等变而非不变的输出关系。原子编号重排同样不应改变分子级标量。要点不是简单地把 x,y,z 拼进特征,而是明确希望网络对平移、旋转、反射和置换中的哪些变换保持什么行为。

使用三维数据还会引入更具体的科学条件:分子是孤立分子还是处在溶剂、蛋白口袋或晶体环境?性质来自平衡构象、最低能构象,还是多个构象的统计?模型使用一种构象时,可能把构象生成器的偏差当成稳定结构信号。若标签来自实验,溶剂、温度、pH、构象熵等条件也可能影响测量。三维表示能增加信息,但数据协议若没有覆盖这些条件,信息不完整仍会成为问题。

flowchart LR
    A[SMILES 字符串\n顺序化语法] -->|解析| B[分子图\n原子与键]
    B -->|构象生成或测量| C[三维构象\n坐标与几何]
    A -->|不同遍历| A2[同一图的另一序列]
    C -->|整体旋转和平移| C2[等价坐标表示]

概念解释:图中箭头表示常见的数据转换路线,不是可逆的无损映射。字符串解析通常可恢复连接图;由连接图生成坐标时却还需选择构象和条件,三维坐标变换也有多个代表同一几何状态的坐标版本。

表示的选择:围绕目标性质与数据条件做决定

可以把常见表示放进同一张选择表,而不把它们排成“旧到新”的阶梯。

表示 明确提供的信息 常见优势 主要缺口或代价
SMILES 线性化的原子、键和语法标记 易存储,可接序列模型与生成器 多种遍历;任意序列可能无效;结构邻接不等于文本邻接
SELFIES 受化学规则约束的字符串解码过程 减少生成无效分子字符串 有效不等于有用;能力受规则覆盖与化学标准化约束
分子图 原子、键及显式属性 拓扑清晰,适合消息传递 不自动给出某一构象与三维距离
三维坐标 原子位置及其空间关系 可建模几何、方向和构象相关目标 需确定构象来源、变换规律与环境条件
固定指纹或描述符 预定义的局部模式或全局数值 小样本下可作为强基线,易检查 特征设计预先限定信息,可能遗漏目标相关模式

这一表不是说字符串“过时”或三维“更高级”。若目标是基于大规模 SMILES 语料的生成,序列可能是自然选择;若任务主要依赖连接与局部官能团,图模型是直接基线;若标签对构象和空间取向敏感,三维信息值得试验;若有标注很少,固定指纹与描述符必须保留在基线比较里。实际研究经常需要比较多个输入族,而不是先验宣布一个表示万能。

MoleculeNet 将多类分子学习任务整理为基准,指出数据量有限、任务类别不平衡以及不同任务需要不同评价关注点;在量子化学和生物物理类任务中,带物理先验的特征也可能很重要。MoleculeNet 论文的启发不是“学习表示一定胜过人工特征”,而是模型优劣必须结合具体端点、数据规模、指标和切分理解。若只报告一个随机切分上的总体分数,就无法知道性能来自真正可迁移的结构规律,还是测试分子与训练分子过于相似。

一个实用的建模提问清单

建模前可以依次回答以下问题。第一,预测对象是什么:单个分子、分子对、反应物、蛋白—配体复合物,还是某条件下的性质?第二,标签理论上对哪些变化不敏感,又对哪些变化敏感?例如原子编号重排应该无关,整体旋转不该改变标量性质,但手性、质子化状态或构象变化可能改变任务含义。第三,数据里实际有哪些输入:只有 SMILES,还是有规范化分子图、坐标、实验条件与不确定度?第四,构象是观测还是计算生成,训练与测试是否使用同一流程?这些问题决定了表示需求,也暴露数据缺失。

接着设定公平基线。对图模型同时比较常见分子指纹、描述符和简单的序列模型;要测试三维价值,应让二维与三维模型尽量共用同一训练、验证和测试分子,并报告坐标如何获得。若预训练带来提升,应与同一架构从头训练比较;若某模型使用了更多输入、外部数据或调参预算,也要写明。表征选择不只是调参:数据来源、标准化与切分都是结论的一部分。

小结:用任务需要的信息,承担表示带来的假设

SMILES 便于把分子图交给序列学习,但序列遍历不等于化学邻接;SELFIES 可在其化学规则范围内降低无效字符串问题,却不判断性质或可合成性;图显式表达连接,三维坐标补充几何,但依赖构象与坐标变换协议。指纹、描述符和学习表示也不构成简单的新旧替代关系。

因此,严谨的分子机器学习不是先争论哪种编码“最强”,而是说明标签需要什么信息、输入怎样产生、模型应遵守何种对称性,并用匹配任务场景的切分和基线验证。表示做出的每个简化都既是计算便利,也是一个可被实验检验的假设。

参考资料

  1. Daniel S. Wigh 等,《A review of molecular representation in the age of machine learning》(2022) — 回顾字符串、连接表、特征和机器学习分子表示。
  2. Mario Krenn 等,《Self-referencing embedded strings (SELFIES): A 100% robust molecular string representation》(2020) — SELFIES 的规则设计与有效性主张。
  3. Kevin Yang 等,《Analyzing Learned Molecular Representations for Property Prediction》(2019) — D-MPNN、全局描述符和性质预测评估。
  4. Zhenqin Wu 等,《MoleculeNet: A Benchmark for Molecular Machine Learning》(2018) — 分子学习基准及数据与评测挑战。
← 返回资讯列表

读者留言

COMMENTS 暂无
仅本站原创文章开放留言 · 请勿留下手机号、邮箱等个人信息

还没有留言,来说第一句?