Graphormer基础教程：SMILES标准化（canonicalization）与立体化学处理

1. 学习目标与前置知识

Graphormer是微软研究院开发的基于纯Transformer架构的图神经网络，专门用于分子属性预测任务。本教程将带你掌握：

• SMILES字符串的基本概念
• 分子结构的标准化处理方法
• 立体化学信息的处理技巧
• 使用Graphormer进行分子属性预测的完整流程

前置知识：只需基础化学知识，无需深度学习经验。我们将从零开始，用最简单的方式讲解。

2. SMILES基础与标准化处理

2.1 什么是SMILES表示法

SMILES（Simplified Molecular Input Line Entry System）是一种用ASCII字符串表示分子结构的化学语言。例如：

• 水：O
• 乙醇：CCO
• 苯：c1ccccc1

2.2 为什么需要标准化

同一个分子可能有多种有效的SMILES表示，例如环己烷可以表示为：

C1CCCCC1 或 C1C(C(C(C(C1))))

标准化（canonicalization）确保每个分子有唯一的标准SMILES表示，这对机器学习模型至关重要。

2.3 使用RDKit进行标准化

from rdkit import Chem # 非标准SMILES smiles = "C(C)O" # 乙醇的非标准表示 # 转换为分子对象 mol = Chem.MolFromSmiles(smiles) # 生成标准SMILES canonical_smiles = Chem.MolToSmiles(mol) print(canonical_smiles) # 输出: CCO

关键点：

1. 先用MolFromSmiles解析SMILES
2. 再用MolToSmiles生成标准形式
3. 标准形式通常更简洁、规范

3. 立体化学处理技巧

3.1 立体化学表示基础

分子中的立体中心（手性中心）需要特殊标记：

• @表示顺时针方向
• @@表示逆时针方向

例如，R-乳酸的标准SMILES：

C[C@@H](O)C(=O)O

3.2 立体化学标准化实践

# 含有立体化学的分子 chiral_smiles = "C[C@H](O)C(=O)O" # S-乳酸 # 标准化处理 mol = Chem.MolFromSmiles(chiral_smiles) canonical_chiral = Chem.MolToSmiles(mol, isomericSmiles=True) print(canonical_chiral) # 输出保持立体化学信息

参数说明：

• isomericSmiles=True：保留立体化学信息
• 不加此参数会丢失手性信息

3.3 常见立体化学问题解决

问题1：立体信息丢失

# 错误做法（丢失立体信息） wrong = Chem.MolToSmiles(mol) # 默认isomericSmiles=False # 正确做法 correct = Chem.MolToSmiles(mol, isomericSmiles=True)

问题2：无效立体中心

# 检查分子是否有无效立体中心 Chem.AssignStereochemistry(mol, force=True, cleanIt=True)

4. Graphormer实战应用

4.1 准备标准化输入

def prepare_smiles_for_graphormer(smiles): """完整的SMILES预处理函数""" mol = Chem.MolFromSmiles(smiles) # 标准化处理 if mol is not None: # 清除无效立体信息 Chem.AssignStereochemistry(mol, force=True, cleanIt=True) # 生成标准SMILES（保留有效立体化学） canonical = Chem.MolToSmiles(mol, isomericSmiles=True) return canonical return None # 使用示例 processed = prepare_smiles_for_graphormer("C[C@H](O)C(=O)O") print(processed) # 输出标准化的立体SMILES

4.2 通过API调用Graphormer

import requests def predict_with_graphormer(smiles, task="property-guided"): """调用Graphormer预测API""" url = "http://localhost:7860/predict" data = { "smiles": smiles, "task": task } response = requests.post(url, json=data) return response.json() # 使用标准化SMILES进行预测 result = predict_with_graphormer("CCO") # 乙醇 print(result)

5. 常见问题解答

5.1 如何处理无效SMILES？

def is_valid_smiles(smiles): """验证SMILES有效性""" mol = Chem.MolFromSmiles(smiles) return mol is not None # 使用示例 print(is_valid_smiles("CCO")) # True print(is_valid_smiles("XYZ")) # False

5.2 为什么我的立体化学预测不准？

可能原因：

1. SMILES中立体信息未正确标记
2. 预处理时丢失了立体信息（忘记设置isomericSmiles=True）
3. 分子本身存在多个可能构象

解决方案：

1. 使用Chem.AssignStereochemistry明确指定立体化学
2. 检查预处理代码是否保留立体信息
3. 考虑生成多个构象进行预测

5.3 如何批量处理分子数据集？

import pandas as pd def batch_process_smiles(df, smiles_column): """批量标准化SMILES数据集""" df["canonical_smiles"] = df[smiles_column].apply( lambda x: prepare_smiles_for_graphormer(x) ) return df.dropna() # 使用示例 data = pd.DataFrame({"smiles": ["CCO", "c1ccccc1", "invalid"]}) processed = batch_process_smiles(data, "smiles") print(processed)

6. 总结与下一步

通过本教程，你已掌握：

1. SMILES标准化的原理和方法
2. 立体化学信息的正确处理技巧
3. Graphormer模型的完整使用流程

下一步建议：

• 尝试在OGB等标准分子数据集上测试Graphormer
• 探索不同分子描述符对预测结果的影响
• 学习如何微调Graphormer模型

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。