想象你给朋友写一张寄往远方的信件地址：口头告诉朋友怎么走，是“出门右转，第二个路口左转，看见红色招牌就到了”——这像 SMILES，简单随意；邮局的标准址单则是“国家/城市/街道/门牌号”逐层填写，绝不产生歧义——这像 InChI；而乐高积木式的模块地址，每块自带接口，怎么拼都不容易崩坏——这像 SELFIES。今天，我们就用这三种“地址语言”来理解分子表示：它们都是把分子这座“微型城市”转成计算机能读写的字符串。读完你会明白，为什么同一分子会有三种写法，又该如何为你的 AI 分子建模项目选择合适的“城市地址簿”。

岗位关联

掌握 SMILES、InChI、SELFIES 三种编码的语法、唯一性、可逆性与适用场景，是构建可靠可维护的 AI 药物发现解决方案的基础能力。

目录
  1. 可视化演示
  2. 化学信息学基础
  3. SMILES：口头指路式编码
  4. InChI：标准邮政地址
  5. SELFIES：乐高积木式编码
  6. 编码对比与选型
  7. 分子建模实务
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

对比SMILES、InChI、SELFIES三种分子字符串编码的语法结构与AI生成鲁棒性。

本节配有交互动效（进入视口后自动加载，约 3KB）。

三种分子编码对比 SMILES:简洁非唯一 InChI:标准唯一 SELFIES:100%有效 AI生成友好

化学信息学基础

如果把一个分子想象成一座微型城市，原子就是城市里的市民，化学键则是连接市民之间的道路。AI 没有眼睛，它不认识这座城市的实物，但它认识字符串。要让 AI 处理分子，第一步就是为城市创建一套“地址系统”——把三维结构转成一串机器可读的字符。这套转写方法，就是化学信息学中的分子表示。

从技术的角度看，分子首先是一张图：图中的每个顶点代表一个原子，每条边代表一种化学键。我们不必关心这张图在三维空间怎么旋转、怎么摆放，只需要知道“谁和谁相连、是单键还是双键”。于是，在编码之前，分子先被抽象为一张无向图，这是所有字符串编码的共同出发点。

无论 SMILES、InChI 还是 SELFIES，本质上都是在同一张分子图上做“讲故事”式的旅行。它们之间的差异，就像同一座城市可以有不同的地图语言：有人用口述，有人用行政区划，有人用拼搭积木。

G=(V,E)\displaystyle G = (V, E)
一张分子图 G 由顶点集合 V（原子）和边集合 E（化学键）构成，这是后续所有编码的“地图底稿”。
  1. 理解顶点集合 VV 是图中所有原子的集合。一个分子有多少个原子，V 里就有多少个成员，相当于城市里需要登记的所有市民。
    V={a1,a2,…,aN}\displaystyle \mathrm{V} = \{a_1, a_2, \dots, a_N\}
  2. 理解边集合 EE 是图中所有化学键的集合。每条边连接两个顶点，代表它们之间存在一条“握手关系”。
    E⊆V×V\displaystyle E \subseteq V \times V
  3. 组合成完整分子图把 V 和 E 放在一起，就得到完整的拓扑图 G。字符串编码的核心目标，就是把 G 无损地压缩成一维符号串。
    G=(V,E)\displaystyle G = (V, E)

SMILES：口头指路式编码

SMILES 像朋友给你口头指路：“走到 C 路口，遇见了氧巷子，再往前走一步就到了。”它短小、直观、能手写，是化学信息学里最像“日常口语”的地址方式。SMILES 全称是 Simplified Molecular-Input Line-Entry System，它的目标不是规范化，而是快速、可逆地把分子图写成一行字符。

SMILES 的语法很朴素：原子用元素符号书写，单键一般省略，双键用 =、三键用 #；如果从一个原子上分出多个分支，就用半角括号把分支包起来，例如 CC(=O)O 表示乙酸；如果分子中有环，则用数字标记“回到哪个原子闭合”，例如 C1CCCCC1 表示环己烷。

要理解环闭合，我们需要一个重要的图论结论：树形结构没有环，每增加一条“多余”的边就会多出一个环。于是，环的数量可以由顶点数和边数直接推算：

SMILES 就像口头指路：你可以从市中心出发，也可以从郊外出发，路线不同但城市相同。因此它足够灵活，却也容易让同一个分子出现多种字符串写法——这为后续的数据库去重和机器学习带来了麻烦，但也奠定了它在人工书写和教学场景中的不可替代性。

R=E−V+1\displaystyle R = E - V + 1
在一个连通分子图中，边数 E 比顶点数 V 每多 1，就代表多出一个环。SMILES 用数字来标记这种“多出来的边”的落点。
  1. 顶点数 VV 是分子图中的原子个数，对应口述路线中的路口总数。
    V=∣V(G)∣\displaystyle V = |V(G)|
  2. 边数 EE 是化学键个数，对应城市道路的长度。每一条键都连接两个原子。
    E=∣E(G)∣\displaystyle E = |E(G)|
  3. 计算环数 R树状结构满足 E = V - 1，因此 R = 0；当多出一条边时，R 就增加 1。
    R=E−V+1\displaystyle R = E - V + 1

InChI：标准邮政地址

如果说 SMILES 是朋友间的口头指路，那么 InChI 就是邮政部门印发的标准地址单。无论你从城市的哪个角落出发，最终填出来的地址都是“国家 / 城市 / 街道 / 门牌号”这样的固定层次，一次填写，全国统一。InChI（International Chemical Identifier）由 IUPAC 制定，目标是给出一种不依赖书写顺序、全球唯一的分子标识。

InChI 是分层的字符串，每一层用斜杠分隔：第一层是化学式层，例如 C2H4O2；后面依次是连接层、氢层、电荷层、立体化学层等。它的一个典型示例是 InChI=1S/C2H4O2/c1-2(3)4/h1H3,(H,4,3)，其中 1S 表示标准版 InChI，C2H4O2 是分子式层，之后每一层都从不同角度补充分子结构信息。

分子式层直接告诉我们每种元素的原子数量，这正是计算摩尔质量的输入。按每种元素的原子数乘以其原子量再求和，就得到了分子的摩尔质量：

InChI 的优势是“标准”：不论你从哪个顺序书写分子图，最终生成的标准 InChI 都完全一致。就好比世界上只有一门标准邮政地址，不必担心同名街道造成的误会。因此，跨数据库合并、专利排重这些任务都喜欢用它来当分子的“身份证号”。

M=∑i=1nniAi\displaystyle M = \sum_{i=1}^{n} n_i A_i
InChI 化学式层中的元素计数 n_i 乘以对应原子量 A_i，累加后得到摩尔质量 M，这是化合物最基础的性质之一。
  1. 确定元素种类i 遍历分子中出现的每种元素，比如碳、氢、氧。
    i∈{1,2,…,n}\displaystyle i \in \{1, 2, \dots, n\}
  2. 读取原子数n_i 表示第 i 种元素在分子式层中的原子个数。
    ni=化学式层中元素 i 的下标\displaystyle n_i = \text{化学式层中元素 } i \text{ 的下标}
  3. 提取平均原子量A_i 是该元素的相对原子质量，通常查元素周期表得到。
    Ai=元素 i 的相对原子质量\displaystyle A_i = \text{元素 } i \text{ 的相对原子质量}
  4. 累加求和将每种元素的质量贡献相加，得到分子量 M。
    M=n1A1+n2A2+⋯+nnAn\displaystyle M = n_1 A_1 + n_2 A_2 + \cdots + n_n A_n

SELFIES：乐高积木式编码

SELFIES 让我想到乐高积木：每一块积木自带接口，无论你怎么打乱排列，它们仍然能拼起来，不会出现“这块插不进去所以整个模型崩溃”的情况。SELFIES（Self-Referencing Embedded Strings）正是为了机器学习而设计的分子编码——它希望生成模型每吐出一个令牌，都不会造成语法灾难。

SELFIES 的每个令牌都是一对方括号包裹的单元，例如 [C]、[O]、[=Branch1]、[Ring1]。解码器依次消费这些令牌，把令牌翻译成原子、键、分支或环闭合指令。由于令牌自带括号并定义了自身的派生含义，即使序列被打乱，解码器也能跳过无效内容，保证最终输出仍然是一个可以被完整解析的分子字符串，而不是一个半路崩掉的废串。

从形式上看，SELFIES 字符串就是一系列令牌的拼接：

SELFIES 就像一套设计精良的积木，模型在生成时不需要担心“拼错了就塌方”的问题。因此，在基于强化学习的分子生成、进化算法改造分子等任务中，它成了减少无效分子的得力工具。

S=Tok1+Tok2+⋯+Tokn\displaystyle S = \mathrm{Tok}_1 + \mathrm{Tok}_2 + \cdots + \mathrm{Tok}_n
SELFIES 字符串 S 由词表中的令牌依次拼接而成，每个令牌在解码时都会被消费并翻译成对应的分子图组件，具有天然的可逆性与鲁棒性。
  1. 识别词表令牌每个令牌 Tok 都必须属于一个预先定义的词表，如原子、分支、环等。
    Tokk∈T\displaystyle \mathrm{Tok}_k \in \mathcal{T}
  2. 执行拼接操作将 n 个令牌按顺序首尾相连，得到一个一维字符串 S，这就是模型要生成的序列。
    S=Tok1+Tok2+⋯+Tokn\displaystyle S = \mathrm{Tok}_1 + \mathrm{Tok}_2 + \cdots + \mathrm{Tok}_n
  3. 解码并还原分子图解码器从左到右消费令牌，边消费边在分子图上添加原子或键，最终得到完整分子图。
    G=decode(S)\displaystyle G = \mathrm{decode}(S)
  4. 享受自纠正红利的场景因为令牌自带上下文，遇到无法匹配的符号时，解码器会跳过或纠正，而不是终止整个生成过程。

编码对比与选型

现在你手里有了三种“地址方案”：口头指路、标准邮编、乐高积木。选哪种，取决于你要做什么——给熟人带路用口头指路，寄官方文件用标准邮编，搞人工智障实验则用乐高积木。三种编码没有绝对的优劣，只有场景的适配。

从语法维度看，SMILES 最简洁、最易读，但是同一分子可以有多个不同写法；InChI 标准、唯一，层次丰富，但字符串很长，且解析繁琐；SELFIES 语法规则最整齐，机器生成和解析都稳定，但人类阅读起来很不直观。从可逆性维度看，三者都能无损还原分子图，区别主要体现在“唯一性”和“鲁棒性”上。

为了量化选型，我们可以设计一个简易的评分函数：给每种编码在不同维度打分，再用权重合成。例如对可读性、唯一性和机器学习友好度分别给出分数：

简单来说，科研展示和教学请选 SMILES，跨库交换与去重请选 InChI，分子生成模型请选 SELFIES。面对复杂的工业级系统，很多团队会同时使用三种编码：人读的入口用 SMILES，入库后用 InChIKey 做唯一索引，模型内部则用 SELFIES 作为动作空间。

h(x)=α⋅r(x)+β⋅u(x)+γ⋅m(x)\displaystyle h(x) = \alpha \cdot r(x) + \beta \cdot u(x) + \gamma \cdot m(x)
选型评分 h(x) 是可读性 r、唯一性 u 与 ML 友好度 m 的加权和，权重 α、β、γ 由实际任务场景决定。
  1. 定义可读性函数 r(x)r 衡量字符串能否被人类快速理解和手写，例如 SMILES 得分最高。
    r(x)∈[0,1]\displaystyle r(x) \in [0, 1]
  2. 定义唯一性函数 u(x)u 衡量同一分子是否只对应一个字符串，例如 InChI 得分最高。
    u(x)∈[0,1]\displaystyle u(x) \in [0, 1]
  3. 定义机器学习友好度 m(x)m 衡量模型是否容易生成该编码且不产生非法字符串，例如 SELFIES 得分最高。
    m(x)∈[0,1]\displaystyle m(x) \in [0, 1]
  4. 设置权重并合成当项目偏重数据管理时，调高 β；当项目偏重生成式 AI 时，调高 γ。
    α+β+γ=1\displaystyle \alpha + \beta + \gamma = 1

分子建模实务

有了地址系统，还要有邮局——真实项目中的“邮局”就是 RDKit 这类化学信息学工具库。RDKit 能解析 SMILES、生成规范 SMILES、计算 InChI、提供大量分子描述符，是药物发现流水线里最常见的零件。它帮助我们把“地址”翻译成实实在在的化学对象，再投递给打分模型或生成模型使用。

在实际的 AI 药物发现流程中，虚拟筛选是最典型的场景：ZINC 等公共数据库中的上亿候选分子都以 SMILES 形式存放，AI 模型把它们编码成向量，然后预测活性并排序。与此同时，分子生成模型会用强化学习或 Transformer 不断产出新分子结构；如果输出层直接是 SMILES，经常出现括号不匹配、环闭合错误等非法字符串，而把 SELFIES 作为词表后，这类问题会大幅减少。

生成模型如何学习生成分子字符串？以最常用的自回归语言模型为例，它在每一步预测下一个令牌的条件概率，并通过最大化整个序列的似然来训练：

如果把分子表示比作写地址，那么编码选型就是选信封格式，RDKit 就是投递员，损失函数就是训练投递员的工作目标。只有把三个环节对齐，AI 才能在一座座分子城市之间高效送信。

L=−∑t=1Tlog⁡p(yt∣y<t)\displaystyle \mathcal{L} = - \sum_{t=1}^{T} \log p(y_t \mid y_{<t})
语言模型损失函数把所有生成步骤的条件概率取负对数后累加，最小化它会让模型从数据中学会生成合法且有意义的分子序列。
  1. 理解序列位置 t生成过程从 t=1 到 t=T 依次吐出令牌，就像邮局按顺序派发信件的每一步。
    t∈{1,2,…,T}\displaystyle t \in \{1, 2, \dots, T\}
  2. 理解条件概率 pp(y_t | y_{<t}) 表示在已生成前缀 y_1……y_{t-1} 的前提下，第 t 位生成为某令牌的概率。
    p(yt∣y<t)\displaystyle p(y_t \mid y_{<t})
  3. 对所有位置求和把序列中每一步的负对数概率相加，得到整个字符串的损失值。
    ∑t=1Tlog⁡p(yt∣y<t)\displaystyle \sum_{t=1}^{T} \log p(y_t \mid y_{<t})
  4. 最小化负对数似然损失越小，模型越擅长预测真实数据中的分子编码；搭配 SELFIES 时，输出几乎永远可解码。
    L=−∑t=1Tlog⁡p(yt∣y<t)\displaystyle \mathcal{L} = -\sum_{t=1}^{T} \log p(y_t \mid y_{<t})

AI 应用场景

大规模虚拟筛选

阶段：数据准备与特征提取

解决的问题：传统药物筛选中，实验人员需要逐一在湿实验室测试数十万化合物，成本高、周期长。用 SMILES 字符串表示分子，配合 AI 模型读取结构并预测活性，可以把候选范围从百万级快速压缩到百级。

具体案例：一个药企项目需要从 ZINC 数据库中挑选 10 万个“类药”分子。团队先用 RDKit 读取 ZINC 的 SMILES，过滤掉违反类药规则的分子，再把剩余分子编码成特征向量输入打分模型，最终只保留 200 个高潜力分子进行湿实验验证。

基于 SELFIES 的分子生成

阶段：生成建模

解决的问题：用强化学习生成新分子时，如果模型直接输出 SMILES，经常生成括号不匹配或环无法闭合的非法字符串，浪费大量采样预算。改用 SELFIES 后，生成器输出的每个序列都能被解码为合法分子图，大幅提升有效分子率。

具体案例：研究团队用 Transformer 在 ChEMBL 数据上预训练，迁移到强化学习阶段把 SELFIES 作为动作空间；生成的 10000 个 SELFIES 序列中，99% 以上可还原为有效分子结构，而对照组使用 SMILES 时无效率高达 20%。

跨库化合物去重与整合

阶段：数据治理与知识图谱构建

解决的问题：同一化合物在不同供应商数据库中可能使用不同的 SMILES 字符串，导致按 SMILES 合并时出现重复记录。InChI 的唯一性可以保证同一个分子只对应一个标准字符串，从而在数据整合时准确去重。

具体案例：某药企知识图谱团队合并来自 PubChem、ChEMBL 和内部数据库的 500 万条记录，统一用 RDKit 生成 InChIKey 作为主键，成功将重复记录率从 15% 降至 2% 以下。

Python 演示

python57 行
# -*- coding: utf-8 -*-"""分子表示对比演示：SMILES / InChI / SELFIES仅使用标准库, 演示三种字符串编码的基本合法性与突变鲁棒性.""" import re MOLECULES = [    ("乙醇", "CCO", "[C][C][O]"),    ("乙酸", "CC(=O)O", "[C][C][=Branch1][C][=O][O]"),    ("苯",   "c1ccccc1", "[C][=C][C][=C][C][=C][Ring1]"),] def valid_smiles(s):    """简化版 SMILES 合法性检查: 括号配对且环数字成对"""    stack = []    ring_digits = []    for ch in s:        if ch == "(":            stack.append(ch)        elif ch == ")":            if not stack:                return False            stack.pop()        elif ch.isdigit():            if ch in ring_digits:                ring_digits.remove(ch)            else:                ring_digits.append(ch)    return not stack and not ring_digits def valid_inchi(s):    return s.startswith("InChI=") and s.count("/") >= 2 and s.isascii() def valid_selfies(s):    tokens = re.findall(r"\[[^\]]+\]", s)    return bool(tokens) and "".join(tokens) == s def mutate(s, idx, ch="X"):    return s[:idx] + ch + s[idx+1:] def main():    print("== 分子表示鲁棒性对比 ==")    for name, smiles, selfies in MOLECULES:        print("\n分子: {}".format(name))        print("SMILES: {} 合法? {}".format(smiles, valid_smiles(smiles)))        print("SELFIES: {} 合法? {}".format(selfies, valid_selfies(selfies)))        n_smiles_fail = sum(not valid_smiles(mutate(smiles, i))                            for i in range(len(smiles)))        n_selfies_fail = sum(not valid_selfies(mutate(selfies, i))                             for i in range(len(selfies)))        print("单字符扰动使 SMILES 失效次数: {}/{}".format(n_smiles_fail, len(smiles)))        print("单字符扰动使 SELFIES 失效次数: {}/{}".format(n_selfies_fail, len(selfies))) if __name__ == "__main__":    main()
目的：用标准库模拟三种分子编码的合法性与抗扰动能力，直观展示 SELFIES 在生成场景下的鲁棒性优势。
  1. MOLECULES = [("乙醇", "CCO", "[C][C][O]"), ...]用三种编码预置了三个常见分子，便于做对比实验。
  2. stack = []用栈记录未闭合的括号，模拟 SMILES 的分支是否合法。
  3. elif ch.isdigit():遇到数字时把它当作环闭合标记，数字成对出现才合法。
  4. valid_selfies` 中用 `re.findall(r"\[[^\]]+\]", s)提取所有方括号令牌，体现 SELFIES “以令牌为基本单元”的语法特征。
  5. "".join(tokens) == s检查字符串是否完全由令牌拼接而成，这是 SELFIES 词法完整的核心保证。
  6. mutate(smiles, i)对字符串每个位置做单字符扰动，模拟生成模型“手抖”写错一个字符的情况。
  7. n_selfies_fail = sum(...)统计 SELFIES 在扰动后仍能保持词法合法的比例，展示其鲁棒性。

常见误区

误区“SMILES 和 InChI 都是分子字符串，既然都能表示分子，那它们就是等价的吧？我随便选一种入库就可以了。”

正解等价性要看用途。SMILES 是“口语指路”，同一个分子可以有多个不同写法；InChI 是“标准邮编”，同一分子在规范情况下只有一个标准字符串。如果直接用 SMILES 入库，很容易出现重复记录；用 InChI 或 InChIKey 才能保证唯一标识。

为何常见：初学者最先接触的就是 SMILES，看到 InChI 也是字符串，很容易把两者都当成“一维分子代码”，从而忽视了唯一性这一关键差异。

误区“我用 RDKit 写了个 SMILES，这个字符串就是做这个分子的唯一编码，数据库里一定不会重复。”

正解普通 SMILES 有多种写法，比如乙醇可以写成 CCO、也可以写成 C(O)C。RDKit 能生成“规范 SMILES（Canonical SMILES）”，它通过固定的原子排序规则保证唯一性，但前提是你主动调用规范化和标准生成流程。

为何常见：很多人以为“编码 = 唯一”，忽略了规范 SMILES 与普通 SMILES 的区别；这在数据清洗时会埋下大量重复和冲突的坑。

误区“SELFIES 能自我纠正，生成模型又喜欢用，那以后所有分子表示都用 SELFIES 就完事了。”

正解SELFIES 在生成模型场景下有独特优势，但它字符串更长、人类很难阅读，且相关化学信息学工具链（如 RDKit 的某些功能、ChemDraw 的复制粘贴）仍以 SMILES 和 InChI 为主流。在展示、教学和已有生态里，SMILES 依然是事实标准。

为何常见：看到 SELFIES 的鲁棒性演示后，人容易走向“新工具完美”的极端，忽略了生态成熟度和可读性这些工程约束。

误区“InChIKey 是 InChI 的压缩版，那我拿到 InChIKey 应该就能还原出完整的分子结构吧？”

正解InChIKey 本质上是 InChI 字符串的 SHA-256 哈希摘要，只有 27 个大写字母，是不可逆的。它适合做数据库主键和快速匹配，但要还原结构必须回到 InChI 原文或借助大型映射表。

为何常见：因为 InChIKey 看起来很像是“短编码”，初学者容易把它和“无损压缩”混为一谈，忽略了哈希函数的单向性。

面试题

Q1. SMILES 编码中，半角括号"("的含义是什么？

单选题 · easy

  • A.创建分支结构← 正确答案
  • B.闭合环数字
  • C.表示电荷转移
  • D.表示原子共价

答案：A。SMILES 中括号表示从当前原子出发打开一个分支，括起来的部分会在后续某处汇合，类似口头指路中的“右转绕一圈再回来”。闭合环需要数字标记，电荷转移和共价则由电荷字段或键符表达。

Q2. 同样一个分子，InChI 相比 SMILES 最大的特点是？

单选题 · easy

  • A.字符串长度短
  • B.编码标准唯一← 正确答案
  • C.支持汉字字符
  • D.可直接画图片

答案：B。InChI 由 IUPAC 制定并采用分层结构，同一分子在规范计算下会生成唯一的标准 InChI，适合跨库去重。SMILES 虽然短且直观，但属于“口语化”编码，同一分子可以写出多个版本。

Q3. SELFIES 令牌的自可纠正特性，最适合用于哪类任务？

单选题 · mid

  • A.数据库主键
  • B.化学结构绘图
  • C.分子生成模型← 正确答案
  • D.手写化学笔记

答案：C。SELFIES 设计初衷就是让生成模型每次解码都能得到合法分子图；即使出现异常令牌，解码器也能跳过或修正。数据库主键更多使用 InChIKey，绘图和手写笔记则用传统的结构编辑器更合适。

Q4. InChI 字符串包含多个用斜杠分隔的层次，其中第一层通常是什么？

单选题 · mid

  • A.化学式层← 正确答案
  • B.连接层
  • C.立体层次
  • D.质子转移层

答案：A。InChI 的第一层是化学式层，例如 C2H4O2，它给出分子中各元素的比例。后续的 /c 连接层、/h 氢层、/t 立体化学层才逐步补充原子连接和空间信息。

Q5. SMILES 中用于标记环闭合起止位置的符号是什么？

单选题 · mid

  • A.一个数字← 正确答案
  • B.一个斜杠
  • C.一个问号
  • D.一对中括号

答案：A。SMILES 使用数字把环的始末原子连接起来，比如 C1CCCCC1 中两个 1 是同一个环的闭合点。斜杠用于键的空间构型，中括号用于原子属性和电荷，问号在 SMILES 中不是标准语法。

Q6. 关于规范 SMILES 与普通 SMILES 的核心区别，下列说法正确的是？

单选题 · hard

  • A.规范原子排序唯一← 正确答案
  • B.键长固定不变
  • C.字符串必然更短
  • D.不能再被解码还原

答案：A。规范 SMILES 通过算法确定一个唯一的原子遍历顺序，使同一分子只产生一个标准字符串，解决重复入库问题。它不保证更短，也不改变键长，并且仍然可被解码还原为分子图。

Q7. 关于 InChIKey 的说法，正确的是？

单选题 · hard

  • A.它是哈希缩略码← 正确答案
  • B.它能逆推回 InChI
  • C.它比 InChI 更长
  • D.它编码所有原子坐标

答案：A。InChIKey 是对整个 InChI 字符串做哈希形成的 27 位大写缩略码，适合做数据库索引和快速匹配。哈希过程不可逆，因此无法从 InChIKey 反推出分子结构；它也不包含原子坐标。

Q8. 下列哪些属于分子表示的常见目标？

多选题 · easy

  • A.让机器快速检索← 正确答案
  • B.让模型自由生成← 正确答案
  • C.让数据库统一去重← 正确答案
  • D.让天平称出质量

答案：ABC。分子表示的核心目标是把分子图转换成机器可处理的字符串，以支持检索、生成与去重。天平称量质量是物理实验的操作，和字符串编码没有直接关系。

Q9. 用 SELFIES 驱动分子生成模型时，可以获得哪些优势？

多选题 · mid

  • A.免去非法字符串← 正确答案
  • B.解码过程可纠正← 正确答案
  • C.输出可还原为图← 正确答案
  • D.字符串必然最短

答案：ABC。SELFIES 每个令牌自带上下文，解码时遇到错误能自我纠正，且生成结果总能还原成合法分子图。但它并不是以“最短”为目标，通常反而比同等结构的 SMILES 更长。

Q10. 下列哪些做法符合分子表示的使用规范？

多选题 · hard

  • A.用 InChI 去重化合物← 正确答案
  • B.用 SMILES 做数据展示← 正确答案
  • C.用 SELFIES 驱动生成← 正确答案
  • D.用普通 SMILES 唯一化入库

答案：ABC。InChI 唯一性强适合去重，SMILES 简单直观适合展示，SELFIES 鲁棒性强适合生成式 AI。普通 SMILES 不具备唯一性，直接作为唯一化入库字段会导致重复记录。