分子标准化：AI 建模前为什么必须清洗结构

分子标准化是把不同来源、不同书写方式的分子转换成统一形式的过程。不做标准化，同一个化合物可能被当成多个不同的分子——这会污染训练集、破坏去重、让数据合并出错。

需要处理的问题

标准的处理流程

from rdkit import Chem
from rdkit.Chem.MolStandardize import rdMolStandardize

def standardize(smiles, keep_stereo=True, neutralize=True,
                canonical_tautomer=True):
    """完整的分子标准化流程"""
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return None

    # ---- 1) 基本清理 ----
    #   官能团的规范化（如硝基的表示）
    #   去掉不必要的显式氢
    #   金属离子的处理（断开配位键）
    mol = rdMolStandardize.Cleanup(mol)

    # ---- 2) 去掉盐/溶剂，保留最大的有机片段 ----
    #   CC(=O)[O-].[Na+] → CC(=O)[O-]
    mol = rdMolStandardize.FragmentParent(mol)
    if mol is None:
        return None

    # ---- 3) 中和电荷（可选）----
    if neutralize:
        mol = rdMolStandardize.Uncharger().uncharge(mol)

    # ---- 4) 规范互变异构体（可选，较慢）----
    if canonical_tautomer:
        te = rdMolStandardize.TautomerEnumerator()
        mol = te.Canonicalize(mol)

    # ---- 5) 立体化学的处理 ----
    if not keep_stereo:
        Chem.RemoveStereochemistry(mol)

    # ---- 6) 最终的规范 SMILES ----
    return Chem.MolToSmiles(mol)

# 【或用一步到位的 API】
def standardize_simple(smiles):
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return None
    # 【父结构】：去盐 + 中和 + 去同位素
    parent = rdMolStandardize.ChargeParent(mol)
    return Chem.MolToSmiles(parent) if parent else None

关键的判断：每一步该不该做

# 【去盐：几乎总是要做】
#   例外：如果研究的性质与盐型相关
#     - 溶解度（不同盐型溶解度不同）
#     - 固态性质
#   → 【这种情况下应该保留盐型信息作为额外特征】
#
# 【中和电荷：取决于任务】
#   ✓ 做的理由：
#     统一表示，避免同一化合物的不同电荷形式被分开
#   ✗ 不做的理由：
#     - 【对接需要生理 pH 下的实际电荷】（见 106）
#     - 静电相互作用的建模需要真实电荷
#   → 【建模用中性形式，对接用生理形式】
#     两套数据分别准备
#
# 【互变异构体规范化：谨慎】
#   ✓ 做的理由：
#     酮式与烯醇式是同一化合物
#   ✗ 风险：
#     - 【RDKit 选择的「规范」形式
#       未必是实际占优的形式】
#     - 可能改变氢键供受体的角色
#     - 计算较慢
#   → 【用于去重与匹配时做；
#     用于对接与三维建模时要小心】
#
# 【立体化学：取决于数据】
#   ✓ 保留：数据中明确标注了立体化学
#   ✗ 去掉：
#     - 数据中大部分未标注（避免不一致）
#     - 任务与立体化学无关
#   → 【混合标注与未标注的数据是常见问题】
#     应该统一策略
#
# 【最重要的一条】：
#   【无论选什么策略，都要在整个项目中保持一致，
#    并明确记录】
#   → 不一致的标准化，比不标准化更糟

批量处理与质量检查

import pandas as pd
from collections import Counter

def standardize_dataset(df, smiles_col="smiles", **kwargs):
    """批量标准化并报告统计"""
    results, failures = [], []
    for i, smi in enumerate(df[smiles_col]):
        std = standardize(smi, **kwargs)
        if std is None:
            failures.append((i, smi))
        results.append(std)

    df = df.copy()
    df["std_smiles"] = results

    print(f"总数: {len(df)}")
    print(f"【标准化失败: {len(failures)}】")
    if failures:
        print("  失败示例:", failures[:3])

    valid = df.dropna(subset=["std_smiles"])
    print(f"唯一分子数: {valid['std_smiles'].nunique()}")
    dup = len(valid) - valid["std_smiles"].nunique()
    print(f"【标准化后发现 {dup} 个重复】")

    # 【检查标准化改变了什么】
    changed = valid[valid[smiles_col].apply(
        lambda s: Chem.CanonSmiles(s) if Chem.MolFromSmiles(s) else None
    ) != valid["std_smiles"]]
    print(f"标准化改变了 {len(changed)} 个分子")

    return df, failures

# 【必做的检查】：
#   1) 【标准化前后的分子式是否一致？】
#      去盐会改变分子式（这是预期的）
#      但如果非预期地改变，说明有问题
#
#   2) 【抽样人工检查】
#      随机取 20 个标准化改变了的分子，
#      画出前后对比，确认改变是合理的
#
#   3) 【记录标准化的版本与参数】
#      RDKit 版本、使用的选项
#      → 【不同版本的结果可能不同】

def verify_standardization(before, after, n_sample=20):
    from rdkit.Chem import Draw
    import random
    pairs = [(b, a) for b, a in zip(before, after)
             if a and Chem.CanonSmiles(b) != a]
    sample = random.sample(pairs, min(n_sample, len(pairs)))
    mols, legends = [], []
    for b, a in sample:
        mols += [Chem.MolFromSmiles(b), Chem.MolFromSmiles(a)]
        legends += ["原始", "标准化后"]
    return Draw.MolsToGridImage(mols, molsPerRow=4, legends=legends)

ChEMBL Structure Pipeline

# ChEMBL 团队开源了他们的标准化流程
#   → 与 ChEMBL 数据库的处理一致
#   → 【如果你的数据来自 ChEMBL，用它能保证一致性】

# pip install chembl_structure_pipeline

from chembl_structure_pipeline import standardizer, checker

def chembl_standardize(molblock):
    # 标准化
    std = standardizer.standardize_molblock(molblock)
    # 提取父结构（去盐）
    parent, exclude = standardizer.get_parent_molblock(std)
    return parent, exclude

# 【checker 模块】：检查结构问题
#   issues = checker.check_molblock(molblock)
#   返回问题列表与严重程度
#   → 【可以用来自动标记可疑结构】（见 048）

# 【选择建议】：
#   数据来自 ChEMBL → 用 ChEMBL Structure Pipeline
#   其它来源 → RDKit MolStandardize 通常够用
#   【关键是一致性，而非用哪个工具】

延伸资源

• 去盐去重：047《去盐与去重复》；异常结构识别：048《异常结构识别》；InChI：033《InChI 与 InChIKey》；
• RDKit：013《RDKit Cookbook》；ChEMBL：226《ChEMBL》；QSAR：044《QSAR 入门》。