什么是 IUPAC 名称转 SMILES 的转换?

IUPAC 名称转 SMILES 的转换,是将一个系统化的化学名称(例如 2-乙酰氧基苯甲酸)翻译为一个 SMILES 字符串(CC(=O)Oc1ccccc1C(=O)O),即对分子原子与键的一种紧凑文本编码。由于这两种格式都描述同一个确切的结构,因此该转换只有唯一正确答案——它是一个解析问题,而非预测问题。

SMILES 编码了什么

SMILES(简化分子线性输入规范,Simplified Molecular Input Line Entry System)将一个分子写作一行文本:原子用元素符号表示,键用字符表示,环用成对的数字表示,支链则放在括号中。c1ccccc1 表示苯;小写字母标记芳香原子。它的紧凑性正是数据库、机器学习模型和化学 API 都「讲」SMILES 的原因。

OPSIN 如何解析一个名称

1. 分词:将名称切分为可识别的语素——前缀、母体氢化物、后缀和位标。
2. 解析语法:将 IUPAC 命名规则作为一套形式语法加以应用,组装出由取代基和母链构成的解析树。
3. 构建结构:将解析树转换为原子与键的图,把取代基放置在其编号位置上。
4. 输出 SMILES:将该图序列化为规范的 SMILES(或 InChI)字符串。

OPSIN(系统化 IUPAC 命名开放解析器,Open Parser for Systematic IUPAC Nomenclature)以确定性的方式完成这一过程——同一个名称始终产生同一个结构。

如何验证转换是否正确

可靠的检查是一次往返(round-trip):取 SMILES 输出,由它生成一个名称或规范标识符,并确认它与输入相符。Cheemly 的校验关卡(Critic Gate)正是这样做的——它用 RDKit 解析 SMILES,并运行一次 OPSIN 的名称到结构往返,因此一个被错误翻译的名称会在回答抵达您之前就被发现。通用的大语言模型会跳过这一步,这正是它们为何会自信地返回与所命名化合物不符的 SMILES。

常见陷阱

• 歧义或非标准名称:俗名或过时名称可能无法解析;请使用当前的 IUPAC 名称。
• 立体化学:E/Z 和 R/S 描述符必须在转换中得以保留——请验证输出中手性是否被保持。
• 盐与混合物:多组分名称会映射为以点号分隔的 SMILES([Na+].[Cl-]);请确认每个组分都存在。