想象你是一位微型建筑的主人，要把自己的房子介绍给远方朋友。你没法把整栋楼拖进微信聊天框，于是打出一行字：“三层红砖楼，东侧顶着圆顶书房，二楼阳台连着小花园，屋顶还有口天窗。”朋友读完这行字，脑海中便大致重建出这栋建筑的轮廓。在 AI + 材料科学的世界里，分子就是一栋栋肉眼看不见的微型建筑，而 SMILES——简化分子线性输入规范——正是写给 AI 看的那“一行字”。它把原子当作建筑材料、化学键当作接缝，用一长串 ASCII 字符把分子的“建筑图纸”压缩成一行文本。AI 读完这行文字，就能理解一个分子长什么样。更奇妙的是，AI 还能模仿着“写”出一行行新的文字，从而“设计”出从未存在过的新分子，这就是分子生成。本文要做的，就是先学会“一行字建筑描述”的语法，再看 AI 如何借助它创造新材料。

岗位关联

学会 SMILES 表示，你就握住了化学语言与 AI 模型之间的翻译官——这是分子生成、AI 制药、新材料筛选等热门方向最底层、也最绕不开的一环。

目录
  1. 可视化演示
  2. SMILES语法规则：一行字的“写作规范”
  3. 枚举增强策略：同一栋建筑，换个说法再说一遍
  4. 序列生成模型：让 AI 一字一句“写”出建筑描述
  5. SMILES表达局限：一行字说不清的那部分
  6. 图表示方法：直接画图纸，不写作文
  7. 混合编码方案：文字与图纸双保险
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

演示分子到SMILES字符串编码、序列到序列生成及应用局限与图表示对比，理解分子生成基础编码。

本节配有交互动效（进入视口后自动加载，约 3KB）。

字符串编码：分子转SMILES 分子 字符 SMILES 线性字符串编码

SMILES语法规则：一行字的“写作规范”

建筑师不会随便写“三楼有个圈”来糊弄客户，他会用约定的术语：“东侧穹顶，半径三米”。SMILES 也是这样一套约定俗成的“建筑速写语言”。它规定：每个原子用一个字母符号表示——碳是 C（砖块）、氧是 O（玻璃窗）、氮是 N（钢梁）；原子之间的单键、双键、三键分别用 -、=、# 表示；分支用一对圆括号 ( ) 包裹，就像在描述“一楼走廊尽头分出一条岔路通向书房”。

从计算机的角度看，分子的本质是一张图（Graph）：节点是原子，边是化学键。SMILES 做了一件极其聪明的事——它按“先写主干、再写分支、遇到环就编号”的顺序，把这张二维图“拉直”成一条一维字符串。比如乙醇可以写成 CCO，2-丙醇可以写成 CC(O)C，环丙烷则写成 C1CC1。其中数字 1 像“系鞋带的环扣”，标记出哪两个原子之间“首尾相接”构成了环。这种把图映射成一串字符的过程，就是分子的线性化编码，也是后面所有 AI 模型能够处理分子的前提。

回到比喻：语法规则就是“建筑速写字典”。AI 读懂了这本字典，才看得懂你发来的那行“红砖楼、圆顶书房、阳台小花园”。没有这套规则，再聪明的大脑面对一串乱码也无从下手。

G=(V,E)⟶SSMILES=ϕ(G)\displaystyle G=(V,E) \quad \longrightarrow \quad S_{\text{SMILES}}=\phi(G)
分子图 $G$ 由原子集合 $V$ 与化学键集合 $E$ 组成，SMILES 编码函数 $\phi$ 把这张图“按顺序读出”为字符串 $S$。
  1. 分子图 $G$把分子当作一张关系图——节点是原子，边是化学键，这张图完整保留了分子的连接信息。
    G=(V,E)G=(V,E)
  2. 线性化映射 $\phi$$\phi$ 是一个“翻译器”，它规定阅读图的顺序：从哪个原子起笔、如何绕过分支、怎样标记环闭合，最终输出一段无歧义的线性文本。
    ϕ:G↦S\phi: G \mapsto S
  3. SMILES 字符串 $S$$S$ 是最终得到的 ASCII 字符序列，例如 CCO 或 CC(O)C，它把抽象的空间结构压缩成普通文本，便于存储和传输。
    SSMILES="CCO"S_{\text{SMILES}}=\text{"}CCO\text{"}

枚举增强策略：同一栋建筑，换个说法再说一遍

前面说“建筑速写”有规则，但规则并没有规定你必须从哪个门开始描述。同样一栋三层红砖楼，你可以说“正门进来是客厅，左转上楼”，也可以说“从后花园推门进屋，经厨房上二楼”。建筑师用词不同，但你描述的仍是同一栋楼。SMILES 也是这样：一个分子往往存在多种合法写法。以 1-丙醇为例，CCCO 和 OCCC 都能描述它——前者从左端碳起笔，后者从羟基氧起笔；如果分子带分支，断键位置不同还能更多。

这种“同物多写”的特性，在机器学习中反而成了宝贝。模型训练时需要大量文本，而一个分子如果只有一种写法，数据就太“贫瘠”了。枚举增强策略做的正是：对同一分子进行随机扰动——随机选择起始原子、随机打破并重连环中的键、随机决定先写哪个分支——每次都生成一种不同的 SMILES 写法。于是，一份分子数据被“扩增”成多份不同表述的训练样本，模型因此看到更丰富的“措辞模式”，生成时也更不容易死板地抄模板。从数学上看，这种采样方式可以写成均匀分布：

回到比喻：枚举增强就像对着同一位客户，用十种不同的口吻介绍同一栋房子——客户的“语言模型”因此变得灵活，将来你给他看一句话，他能联想到整栋楼的多种可能样貌。这正是分子生成模型最需要的泛化能力。

P(S∣G)=1N(G)\displaystyle P(S\mid G)=\frac{1}{N(G)}
$N(G)$ 表示分子 $G$ 所有合法 SMILES 写法的总数，枚举增强就是从这 $N(G)$ 种写法中等概率地抽取一种作为训练样本。
  1. 合法写法总数 $N(G)$一个分子的 SMILES 写法往往不止一种，$N(G)$ 统计了这些不同但都合法的写法数量，它是枚举空间的规模。
    N(G)=∣{S:ϕ(G)=S 合法}∣N(G)=\bigl|\{S : \phi(G)=S \text{ 合法}\}\bigr|
  2. 均匀采样 $P(S\mid G)$训练时我们不偏向某一种写法，而是让每种写法被抽中的机会相等，这样模型见到的“措辞分布”最均衡。
    P(S∣G)=1N(G)P(S\mid G)=\frac{1}{N(G)}

序列生成模型：让 AI 一字一句“写”出建筑描述

现在，我们把“建筑速写字典”交给一位不会化学的作家，请他写一篇新建筑的介绍词。这位作家的创作方式不是画图纸，而是像写小说一样：一个词接一个词，边回忆前面写过的内容，边决定下一个词填什么。序列到序列模型（Seq2Seq）就是这位作家：编码器先“读”一段已知的 SMILES，把它的含义压缩成一个记忆向量；解码器再从这个记忆出发，逐字符地“写”出新的 SMILES。

关键技术是循环神经网络（RNN）中的记忆单元。它像作家的草稿本：每次落笔前，都会翻一翻前面已经写下的字符，把“当前写了几个原子、有没有未闭合的括号、环编号用到几号”等信息编码进一个隐状态。每一个新字符都是在已知前缀 $y_1, y_2, \ldots, y_{t-1}$ 的前提下，按概率选出的。这种“看前文、猜下一个字”的生成方式，在数学上被写成一个连乘的条件概率：

回到比喻：这位“作家”并不懂化学，他只是读过成千上万条建筑描述，学会了“合理的说法长什么样”。它写出来的句子可能有些是病句（无效 SMILES），但正因为它一口气接一口气地写、不断参考前文，它才可能设计出人从未想到过的建筑结构——这就是分子生成模型的基本工作方式。

P(Y∣X)=∏t=1TP(yt∣y1,y2,…,yt−1,X)\displaystyle P(Y\mid X)=\prod_{t=1}^{T}P(y_t\mid y_1,y_2,\dots,y_{t-1},X)
给定输入序列 $X$，模型逐个预测输出序列 $Y$ 中每一个字符 $y_t$ 的条件概率，最终整句的概率等于所有字符概率的乘积。
  1. 条件概率 $P(y_t\mid y_{\lt t},X)$这是“猜下一个字”的概率。$y_{\lt t}$ 表示已经写出的前 $t-1$ 个字符，$X$ 是模型读过的输入分子；两者共同决定下一个字符该写什么。
    P(yt∣y1,…,yt−1,X)P(y_t\mid y_1,\ldots,y_{t-1},X)
  2. 连乘 $\prod_{t=1}^{T}$因为每个字符的选择都依赖前文，整条序列的联合概率就是每一步条件概率的乘积——就像写文章时，每个句子读起来通顺，整篇文章才通顺。
    ∏t=1TP(yt∣y<t,X)\prod_{t=1}^{T}P(y_t\mid y_{\lt t},X)
  3. 输出序列 $Y$最终生成的 SMILES 字符串，它是模型“创作”的分子的文字表达，可以被还原成新的分子结构。
    Y=(y1,y2,…,yT)Y=(y_1,y_2,\ldots,y_T)

SMILES表达局限：一行字说不清的那部分

作家写建筑描述时，偶尔会写出“东侧有个圆顶……二楼……”这种卡壳的句子——前文说“东侧有圆顶”却忘了闭合括号，或者写到一半编号对不上。这正是 SMILES 序列生成的主要痛点之一：有效性。模型逐字符预测时，没有任何机制保证括号一定闭合、环编号一定配对，所以生成结果中常出现语法非法的字符串，无法还原成真实分子。

第二个局限是非唯一性带来的混乱。同一个分子有十几种写法，模型训练时看到 CCO 和 OCC 都对应同一个分子，但它并不知道这一点，容易把“措辞差异”误当成“分子差异”，学习信号被打散。好比一个人同时听两个人用不同语言描述同一栋建筑，反而搞不清建筑到底长什么样。第三个局限是长序列遗忘：分子越大，SMILES 字符串越长，RNN 在写到第 50 个字符时，很可能已经忘了第 3 个字符处的括号是否闭合。这种“写到后面忘前面”的问题会进一步拉低生成质量。衡量模型有多容易“写错字”的指标就是有效生成率：

回到比喻：一行文字描述再方便，也难免有歧义、漏细节、写长篇时前后矛盾。于是研究者开始想：既然文字这条路有天花板，能不能让 AI 直接看建筑图纸？

Rvalid=NvalidNtotal\displaystyle R_{\text{valid}}=\frac{N_{\text{valid}}}{N_{\text{total}}}
$N_{\text{total}}$ 为模型生成的所有 SMILES 字符串数量，$N_{\text{valid}}$ 为其中能通过语法校验、还原为真实分子的数量。
  1. 生成总数 $N_{\text{total}}$模型输出的一整批 SMILES 字符串，不管好坏，先全部计入分母。
    NtotalN_{\text{total}}
  2. 有效数量 $N_{\text{valid}}$把每个 SMILES 交给解析器，凡是括号闭合、环编号配对、原子符号合法、能还原成化学结构的，计入分子。
    Nvalid=∣{S:Parse(S)≠∅}∣N_{\text{valid}}=\bigl|\{S : \text{Parse}(S)\neq \emptyset\}\bigr|
  3. 比值 $R_{\text{valid}}$有效数除以总数，得到一个 0 到 1 之间的比例。比例越高，说明模型越“懂规矩”。
    Rvalid=NvalidNtotalR_{\text{valid}}=\frac{N_{\text{valid}}}{N_{\text{total}}}

图表示方法：直接画图纸，不写作文

与其让 AI 从一行文字中脑补建筑结构，不如直接把建筑图纸拿给它看。分子天然就是一张图——原子是节点，化学键是边。图表示方法不再做“线性化”的压缩，而是保留分子原本的拓扑结构，再让图神经网络（GNN）在这张图上游走。这就像给 AI 一张带标尺的平面图：每个房间的大小、朝向、门窗位置一目了然。

GNN 的核心运算叫消息传递：每个原子节点先收集邻居原子的“情报”（原子类型、键级、局部电荷），再把情报聚合成自己的新特征，如此反复多层，节点就逐步感知到整个分子的全局结构。由于图不以“谁先谁后”排顺序，无论从哪个节点开始看，传递的信息都一样——这天然规避了 SMILES 非唯一性的问题。用数学描述一轮消息传递：

回到比喻：图纸和文字各有千秋。图纸信息完整、无歧义，但“画图”的计算代价高；文字写起来快、处理简单，却天生有缺陷。于是聪明的做法显而易见——两者都用，互补长短。

hv(k+1)=UPDATE(hv(k), AGG({hu(k):u∈N(v)}))\displaystyle h_v^{(k+1)}=\text{UPDATE}\left(h_v^{(k)},\ \text{AGG}\left(\{h_u^{(k)}: u\in \mathcal{N}(v)\}\right)\right)
第 $k+1$ 层中，节点 $v$ 的新特征由它自己的旧特征与所有邻居 $u$ 的特征聚合后共同更新而来。
  1. 邻居集合 $\mathcal{N}(v)$与原子 $v$ 直接相连的一圈原子，相当于建筑图纸上“和这个房间共墙的所有房间”。
    N(v)={u:(v,u)∈E}\mathcal{N}(v)=\{u : (v,u)\in E\}
  2. 聚合函数 AGG把邻居传来的特征合并成一个向量，常见做法是求和、取平均或取最大值，相当于把邻居们的“情报”汇总成一份简报。
    AGG({hu(k):u∈N(v)})\text{AGG}(\{h_u^{(k)}: u\in \mathcal{N}(v)\})
  3. 更新函数 UPDATE把汇总后的邻居情报与自己的旧特征结合，通过一层神经网络转换成新特征 $h_v^{(k+1)}$，相当于“参考了邻居情况后，刷新对自己的认知”。
    hv(k+1)=UPDATE(hv(k),mv(k))h_v^{(k+1)}=\text{UPDATE}(h_v^{(k)}, m_v^{(k)})

混合编码方案：文字与图纸双保险

既然“一行文字”适合做序列预测、“一张图纸”擅长保持拓扑完整，那为什么不把两者同时交给 AI？混合编码方案就是这样一种“双阅卷”策略：一方面把 SMILES 字符串喂给循环神经网络，捕捉字符间的顺序依赖；另一方面把分子图喂给图神经网络，捕捉原子间的连接结构。两条通道的输出会拼接成一个统一的分子表示，再送入生成模块。

这样做的好处显而易见：文字通道让模型学会“流畅的化学语法”，避免生成太多病句；图通道则保证分子骨架不出错，环不会被写断。当模型写下一个新字符时，它既参考了“前文措辞”，又参考了“整张图纸的完整性”。在训练时，两种信号融合成一个联合目标：

回到比喻：文字负责“表达流畅”，图纸负责“结构严谨”。双管齐下，AI 写建筑描述时既不会说出颠三倒四的句子，也不会画出一栋塌墙的房子。目前最先进的分子生成方案，大多走的就是这条融合路线。

---

Ltotal=LSMILES+λ Lgraph\displaystyle \mathcal{L}_{\text{total}}=\mathcal{L}_{\text{SMILES}}+\lambda\,\mathcal{L}_{\text{graph}}
总损失由 SMILES 序列生成的损失 $\mathcal{L}_{\text{SMILES}}$ 与图结构生成的损失 $\mathcal{L}_{\text{graph}}$ 相加，$\lambda$ 控制两者的相对重要性。
  1. 序列损失 $\mathcal{L}_{\text{SMILES}}$衡量模型预测的字符序列与真实 SMILES 的差距，通常用交叉熵，让模型“写得更像样”。
    LSMILES=−∑tlog⁡P(yt∣y<t)\mathcal{L}_{\text{SMILES}}=-\sum_{t}\log P(y_t\mid y_{\lt t})
  2. 图损失 $\mathcal{L}_{\text{graph}}$衡量模型重建的分子图与真实图的差距，比如预测原子间的键是否正确，让模型“画得更准确”。
    Lgraph=−∑(u,v)∈Elog⁡P(bonduv)\mathcal{L}_{\text{graph}}=-\sum_{(u,v)\in E}\log P(\text{bond}_{uv})
  3. 权重系数 $\lambda$一个可调的超参数，决定“写得流畅”和“画得准确”哪个更重要。$\lambda$ 大则更重视图结构，反之更重视字符序列。
    Ltotal=LSMILES+λ Lgraph\mathcal{L}_{\text{total}}=\mathcal{L}_{\text{SMILES}}+\lambda\,\mathcal{L}_{\text{graph}}

AI 应用场景

AI 制药：从头设计候选药物分子

阶段：分子表示与生成建模

解决的问题：传统药物筛选需要在数百万个化合物库中逐一做实验，成本高、周期长。借助 SMILES 序列生成模型，AI 可以“写”出成千上万种新颖分子的文字描述，然后快速用模拟工具预测药效，把“广撒网”变成“精准捕捞”。

具体案例：某 AI 制药公司用 SMILES 表示 + Seq2Seq 模型生成针对特定靶点的候选分子库，生成后再用混合编码模型筛出与已知活性分子结构相似但更新颖的化合物，进入实验验证环节。

材料信息学：数据库清洗与去重

阶段：数据工程与预处理

解决的问题：大型材料数据库汇总了来自不同文献的分子记录，同一个分子可能以 CCO、OCC 等多种 SMILES 写法出现，导致去重困难。用规范 SMILES 与枚举增强技术，可以把同一分子的所有写法映射为同一标准形式，实现精准去重和检索。

具体案例：某电池材料数据库对 10 万条电解质分子记录做规范 SMILES 归一化，并按枚举增强方式备份多种写法用于后续模型训练，使下游生成模型的训练数据量扩大了 12 倍。

分子生成模型的训练数据扩增

阶段：数据准备与模型训练

解决的问题：高质量分子-性质数据稀缺，训练样本不足导致模型过拟合。枚举增强策略将每条分子数据“一鱼多吃”，从同一个分子采样出多种 SMILES 写法，扩充训练集、提升模型的生成多样性与鲁棒性。

具体案例：研究团队在训练高熵合金表面吸附分子生成模型时，对 5000 个种子分子做 10 次随机 SMILES 枚举，获得 5 万条训练样本，最终模型生成分子的有效性从 61% 提升到 84%。

Python 演示

python28 行
"""用RDKit演示SMILES的枚举增强：同一分子生成多种写法并验证一致性"""import randomfrom rdkit import Chemfrom rdkit.Chem import rdMolDescriptors random.seed(2024) # 1. 从规范的SMILES读取一个真实分子（2-丙醇）mol = Chem.MolFromSmiles("CC(O)C")print("分子式:", rdMolDescriptors.CalcMolFormula(mol)) # 2. 枚举增强：同一个分子采样出8种不同的SMILES写法variants = []while len(variants) < 8:    smi = Chem.MolToSmiles(mol, canonical=False, doRandom=True)    if smi not in variants:        variants.append(smi) # 3. 逐一验证：每种写法都能还原为同一个分子canonical = Chem.MolToSmiles(mol, canonical=True)for v in variants:    back = Chem.MolFromSmiles(v)    assert back is not None, "非法SMILES: " + v    assert Chem.MolToSmiles(back, canonical=True) == canonical, "分子不一致" print("枚举出的8种SMILES:", variants)print("规范SMILES:", canonical)print("全部通过一致性校验")
目的：演示 SMILES 枚举增强的核心流程——同一个分子生成多种写法、逐一解析校验、并验证它们指向同一化学结构。
  1. Chem.MolFromSmiles("CC(O)C")把 SMILES 字符串解析成 RDKit 内置的分子对象，这一步相当于“读一行文字、还原建筑图纸”。
  2. Chem.MolToSmiles(mol, canonical=False, doRandom=True)从分子对象随机生成非规范 SMILES，每次输出的写法都不同，这就是枚举增强。
  3. Chem.MolToSmiles(mol, canonical=True)生成标准的规范 SMILES，作为“锚点”来验证所有枚举写法是否真的指向同一个分子。
  4. assert back is not None检查字符串能否被成功解析，防止生成“病句”。
  5. Chem.MolToSmiles(back, canonical=True) == canonical把每种写法还原出的分子再转回规范形式，与锚点比对，确保没有“认错建筑”。

常见误区

误区我记得学化学时分子式都是标准写法，SMILES 应该也是每个分子对应一个固定字符串，变来变去不就乱套了吗？

正解SMILES 并不是唯一的。同一个分子从不同原子起笔、按不同顺序处理分支和环，都能写出合法但不同的 SMILES。这正是枚举增强策略存在的前提。规范 SMILES 只是人为约定的一种“标准排序”，用来做去重和比对，并不代表分子只有一种文字描述。

为何常见：教材中常用规范 SMILES 展示分子，给人一种“标准答案”的错觉，忽略了 SMILES 本质是线性化图的一种任意顺序选择。

误区SMILES 就是一堆字母符号拼起来，只要用 C、O、N 这些原子符号写一串，应该就能代表一个分子吧？

正解SMILES 有严格的语法约束：括号必须成对闭合、环编号必须成对出现、原子符号大小写敏感（C 是碳、c 是芳香碳，二者不同）。像 C(C 这种字符串就缺少右括号，无法解析成分子。生成模型最大的痛点之一就是语法有效性不足。

为何常见：人眼只看到“字母串”，看不出隐式的括号配对和环标记规则，容易把 SMILES 当成自由文本。

误区判断一个分子复不复杂，看它的 SMILES 长度就行，字符串越长说明原子越多、结构越庞大。

正解SMILES 长度与分子的原子数大致相关，但分支可以用括号压缩、环用数字标记、芳香性用小写字母简写，所以长度并不能直接衡量结构复杂度。一个长长的字符串可能是直链烷烃，一个较短的字符串可能包含稠环和杂原子。

为何常见：直觉上“字数多 = 信息多”，忽略了 SMILES 的压缩编码特性——它是一篇“速写”，不是逐字清单。

误区SMILES 把分子结构写清楚了，3D 构象、原子坐标这些应该也被 SMILES 隐含了吧？

正解SMILES 只记录原子的连接方式（拓扑结构），不包含任何三维坐标信息。同一 SMILES 对应的分子可以存在多种构象异构体。若要表达 3D 结构，需要扩展格式（如 SMILES/SMARTS 加坐标，或独立的 SDF/MOL2 文件）。

为何常见：初学者容易把“连接关系”等同于“形状信息”，但化学结构描述符本来就是分层的：先有连接，再有构象。

误区同一个分子生成多种 SMILES 写法，本质上还是同一份数据，多写几遍不过是数据增强的小把戏，对模型帮助有限。

正解枚举增强不是简单复制，而是把“分子到文本”的多对一映射显式暴露给模型。模型在训练时见过 CCO 和 OCC 都对应同一结构，就能学会“措辞不同、本质相同”的语义不变性，从而显著提升生成多样性和对未见过分子的泛化能力。多项实证研究显示枚举增强可将生成有效性提升 10%~30%。

为何常见：只从数据量角度理解扩增，忽略了它改变的是标签分布和模型的语义理解，而不是单纯增加样本数量。

面试题

Q1. SMILES 字符串 "CCO" 描述的是什么分子？

单选题 · easy

  • A.甲醇
  • B.乙醇← 正确答案
  • C.丙烷
  • D.乙醚

答案：B。CCO 由两个碳原子（C-C）和一个氧原子（O）组成，即乙醇。甲醇是 CO，丙烷是 CCC，乙醚是 CCOCC。这就像“一行文字描述建筑”——CCO 就是“两间砖房连着一扇玻璃窗”的速写。

Q2. SMILES 中括号 "(……)" 表示什么？

单选题 · mid

  • A.环闭合
  • B.表示分支← 正确答案
  • C.电荷符号
  • D.同位素质

答案：B。SMILES 中的圆括号表示分支，例如 CC(O)C 表示主链 C-C-C 上有一个分支 O。如果分支点有多个相邻原子，则把它们都写进括号内。这相当于建筑描述中“主走廊尽头分出的一条岔路”。

Q3. 分子 “C1CC1“ 中的数字 ”1” 表示什么？

单选题 · mid

  • A.原子序号
  • B.环闭合标号← 正确答案
  • C.键级数字
  • D.手性方向

答案：B。数字是环闭合标记：写 C1 时给该原子贴上一个编号，写到 C1 时表示“回到编号 1 的那个原子，闭合一个环”。因此 C1CC1 是三元环。它就像鞋带两端打结时标记“这里和开头系在一起”。

Q4. 下列哪个符号在 SMILES 中表示双键？

单选题 · easy

  • A.短横线 -
  • B.等号 =← 正确答案
  • C.井号 #
  • D.冒号：

答案：B。- 表示单键（通常可省略），= 表示双键，# 表示三键，: 不是 SMILES 的键符号。双键好比“两道焊点”的建筑接缝，比单键更牢固。

Q5. 枚举增强中，对同一分子生成多种随机 SMILES 的主要目的是什么？

单选题 · mid

  • A.提高计算效率
  • B.学习表示的多样性← 正确答案
  • C.减少模型参数量
  • D.缩短序列长度

答案：B。一个分子有多种合法 SMILES，枚举增强让模型在训练中看到同一结构的不同“措辞”，从而学到“文字不同、本质相同”的语义不变性，提升生成多样性与泛化能力。它不是提速、减参数或压缩序列，而是增加数据的表达多样性。

Q6. RNN 生成 SMILES 时出现无效分子，最直接的原因是什么？

单选题 · hard

  • A.词典规模太大
  • B.括号不闭合等语法违例← 正确答案
  • C.训练数据太少
  • D.激活函数选择不当

答案：B。序列生成是逐字符预测，模型没有任何机制强制括号成对或环编号匹配，因此常产生 C(C 这类未闭合括号的字符串。这与词典大小、数据量、激活函数无直接关系。好比作家写到“三楼有阳台”却忘了写“门在哪”，读起来就缺了一块。

Q7. SMILES 表示主要存在哪些局限？

多选题 · mid

  • A.表示非唯一性干扰学习← 正确答案
  • B.无法直接编码三维构象← 正确答案
  • C.生成字符串可能非法← 正确答案
  • D.存储开销远大于图像格式

答案：ABC。SMILES 的局限包括：一个分子多种写法导致模型语义混淆；只记录连接关系、不含 3D 坐标；自回归生成时容易出现语法错误。存储方面 SMILES 非常紧凑，远小于图像格式，所以 D 不正确。

Q8. 与 SMILES 序列表示相比，分子图表示有哪些优势？

多选题 · hard

  • A.直接保留原子连接结构← 正确答案
  • B.不受字符串顺序影响← 正确答案
  • C.天然表达环状结构← 正确答案
  • D.完全不需要训练即可使用

答案：ABC。图表示以原子为节点、化学键为边，天然保存连接结构；节点没有先后顺序，不存在非唯一性问题；环就是图中的闭合路径，无需数字标记。但图神经网络同样需要大量数据训练，D 错误。

Q9. 混合编码方案通过融合哪些信息来提升分子生成质量？

多选题 · mid

  • A.SMILES 字符序列信息← 正确答案
  • B.分子图的拓扑结构信息← 正确答案
  • C.序列与图之间的语义一致性← 正确答案
  • D.实验环境的温度气压数据

答案：ABC。混合编码同时使用 SMILES 序列通道和分子图通道，两个通道的输出拼接为统一表示；损失函数也由序列损失与图损失加权组成，促使两种语义对齐。实验环境物理量不属于分子表示范畴，D 错误。

Q10. SMILES 中用小写字母 "c" 表示什么？

单选题 · easy

  • A.碳-13 同位素
  • B.芳香性的碳原子← 正确答案
  • C.带负电的碳
  • D.手性碳原子

答案：B。小写字母在 SMILES 中表示芳香性原子，例如苯环写为 c1ccccc1。芳香碳是苯环这类共轭体系中“共享电子云”的特殊碳原子，大写 C 则为普通脂肪碳。这相当于图纸上用虚线标注“这部分是特殊的柔性结构”。