拉到的数据里 SMILES 往往有无效项、混合物、立体/电荷不一致。清洗让它们变成可训练的数据集。
操作步骤
- 用 RDKit 解析：
Chem.MolFromSmiles(smi)，None即无效，丢弃或记录； - 拆分点号分隔的多片段，识别混合物/盐（见 329）；
- 规范化：
Chem.MolToSmiles(mol)得到 canonical SMILES； - 统一立体与电荷处理策略（保留还是清除）；
- 去重前先标准化（见 328），避免「同分子不同写法」漏判。
常见坑与提示
清洗顺序很重要：先标准化再去重；规则要全数据集一致且可复现；对被丢弃的数据抽样人工核查，避免误删有效分子。
延伸资源
- 概念见 031《SMILES》、046《分子标准化》；下一步 328。