2.3 SMARTS 与子结构匹配：在分子图里搜索模式

2.3.1 子结构检索的计算本质：子图同构与回溯剪枝

这个分子里有酰胺键吗？数据库里哪些分子含苯环？化学信息学的第一代检索技术——子结构匹配(substructure search)，亦称子结构检索——回答的正是这类问题。2.1 节已把分子界定为标注图，形式化随之水到渠成：给定查询图(query graph) Q 与目标图(target graph) T，问 Q 能否作为子图嵌入 T。上世纪八十年代以来的商用系统用“位串屏幕 + 图匹配”的两级架构支撑百万级化合物库：屏幕以粗粒度特征快速排除绝大多数分子，图匹配只作最后的精确裁决（Barnard, 1993）。屏幕属于工程加速，语义核心是图匹配本身。

复杂性的最坏消息必须先讲清楚：子图同构判定在任意标注图上是 NP 完全问题，任凭标签失去区分度时，搜索空间随查询规模阶乘式膨胀（Barnard, 1993）。分子图却自带三重“驯化”条件。其一，小：药物分子的重原子数多在几十以内，查询规模 k 更小，朴素枚举本身基数有限。其二，稀疏：度数受化合价约束，典型药物样有机分子里重邻居数不过三四，任何邻接检查只触及常数个候选——注意这是经验先验而非上界，高价中心并不罕见，PF₅ 的磷有五个、SF₆ 的硫有六个重邻居。其三，标签强：C、N、O、S 等十余种常见元素天然把原子集切成小块，元素谓词在第一步就砍掉绝大多数宿主候选。

三重条件是经验先验，不是复杂度保证。刻意构造的稠环大分子——富勒烯衍生物、树枝状聚合物——既大又高度对称，匹配耗时明显上升；生产系统为此设置超时与放弃策略，把极端分子记入异常清单而非任其拖垮检索。多数应用看不见这一点，正因为分子图的世界通常站在先验的一侧。

实际算法把“整图判定”拆成“逐步构造”。回溯搜索(backtracking search)的骨架是：给查询原子排一个次序，逐个为其挑选宿主；每一步只在“与已安置邻居相邻、且标签与度数相容”的目标原子里选，无候选即退回上一步换一个选择。剪枝(pruning)的威力来自局部性：元素不符、度数不足、键型不合、单射冲突，每项检查只涉及常数个原子，代价极小，而每剪一刀放弃的是一整棵子树。VF2 算法在这一骨架上加入前看规则——完整匹配尚未形成时即检验“剩余候选是否还够”，并按邻接关系动态排序查询原子（Cordella et al., 2001）。RDKit 的子结构匹配器属于 VF2 一族，另加环-环约束等化学特有的加速（Landrum et al., 2026）。图 2.3-2 展开这棵搜索树。

2.3.2 匹配的语义：嵌入、多重匹配与计数

工程接口把匹配分成两个问题。存在性——“这个分子含不含该模式”——返回布尔值，服务于过滤：一个 SMARTS 划过整个化合物库，留下命中的分子。枚举——“命中在哪几个原子、一共有几处”——返回原子编号元组的列表，服务于定位与标注：找出反应发生的原子、标出取代位置、统计官能团个数。两个问题共用同一台匹配器，语义却不同：研究者要清楚自己问的是哪一个。

多重匹配是对称性的直接后果。同一子结构在同一分子里往往有许多个合法嵌入：苯环查询嵌入甲苯，环自身的六个旋转与两个反射个个都保标签保键，共 12 个匹配。若研究目标是“官能团个数”，把这 12 个全数出来就会把一个苯环数成十二个；原子集去重(uniquify)把涉及同一原子集的匹配折叠为一个，12 归 1。两个数都对——一个数“嵌入方式”，一个数“结构位置”，错只在问非所答。

枚举的代价也随对称度增长。全部嵌入的个数等于模式在目标里的对称嵌入数，高对称骨架——大环、稠环、多取代的均三嗪——上可到几十上百；再放到百万级库上逐分子枚举，开销可观。此时先收紧查询（补上度数、氢数、连接数谓词）往往比换更快的匹配器更有效：谓词每收窄一分，图 2.3-2 那棵搜索树的每一层都少一截分支，收益是乘法性的。工程上还有一道容易忽略的闸：RDKit 的枚举接口默认 maxMatches=1000，达到上限即静默停止——即便 uniquify=False，默认也不是无上限的完全枚举，高对称体系要数“数学意义上的全部嵌入”须显式调大这个参数。

匹配对象是原子的一一嵌入：接口返回原子编号的元组，查询键随原子对唯一确定。这个看似朴素的性质支撑了很多下游用法——把匹配原子写进分子属性即可完成原子标注，供描述符计算、可视化与 2.7 节的反应中心识别直接取用。下段代码印证两问之别与去重语义。

from rdkit import Chem

ring = Chem.MolFromSmarts("c1ccccc1")        # 查询：六个芳香碳构成的环
tol = Chem.MolFromSmiles("Cc1ccccc1")        # 目标：甲苯
ms = tol.GetSubstructMatches(ring, uniquify=False)
print(len(ms))    # 12 —— 6 个旋转 × 2 个反射，个个都是合法嵌入
print(len(tol.GetSubstructMatches(ring)))    # 1 —— 默认 uniquify：同一原子集只计一次

2.3.3 SMARTS：从字面到谓词

SMILES 的原子符号是字面：C 就是脂肪族碳，别无他义。SMARTS(SMILES Arbitrary Target Specification)把原子与键的表达式从字面升级为谓词(predicate)：元素、度数、氢数、电荷、环隶属都可以进入条件，键也能谈“任意键”“环上键”“双键”。由此，几乎每个合法 SMILES 都是合法 SMARTS，语义却已改变——从“描述一个分子”变为“给一族子结构立判据”（Daylight, SMARTS Theory Manual）。“推广”的准确含义在此：字面是谓词的特例，即恰有一个取值的谓词。2.2 节学过的连接规则、环闭合数字、分支括号原样保留，SMARTS 只换了原子与键的语义单位。

原子谓词(atom predicate)的常用成分列于表 2.3-1。谓词之间用逻辑算符组合：非 !；与有两种优先级——高优先的 & 与低优先的 ;；或只有低优先的 ,。于是 [#8,#7;!+] 读作“O 或 N，且不带 +1 电荷”：逗号先并列元素，分号再对整组追加条件。两种 AND 的并存正是 Daylight 用来取代分组括号的设计——SMARTS 的原子表达式里没有分组算符，一切组合都靠优先级表达：[#6&R]（既是碳又在环上）先算 &；若要“碳，或者任何环原子”须写 [#6,R]。键谓词的记号少而精，与 SMILES 共用一套符号、语义却更严：省略键符号按“单键或芳香键”处理（与 SMILES 的省略约定一致）；- 明确要求单键，= 双键，# 三键，: 芳香键；~ 才是任意键（通配）；@ 环键（键在环上），!@ 非环键。例如 [#6]-!@[#6] 表示两个以非环单键相连的碳——联苯两环之间正是这样的单键，尽管两端都是芳香碳。递归 SMARTS(recursive SMARTS)再进一步：原子谓词里嵌一个完整模式，如 [$([#7]-[#6]=[#8])] 表示“本原子是连着羰基碳的氮”——谓词谈论的不再是原子的属性，而是它的结构环境。还有一处工程细节易被忽略：RDKit 的子结构接口默认不做立体过滤（useChirality=False），SMARTS 里写了 @/@@ 也照样命中对映异构体，需要立体语义时须显式开启。

优先级是初学阶段最常踩的坑，值得用一个对子钉牢：[#6,R;H1] 是“（碳，或任何环原子）且带一个氢”——分号最后算，先把左边整组并列起来；[#6;R,H1] 是“碳，且（在环中，或带一个氢）”——分号把碳隔在外面，逗号只在它右边的小组内做或。字符完全相同，只因分号与逗号的位置不同，语义已分道扬镳。拿不准时不要想着加括号——方括号内没有分组括号，圆括号另有含义（分支、组分分组、递归 $()），照 C 语言的直觉乱加会直接解析失败——正确做法是用分号显式切分层次，或把两种语义拆成两条模式分别写。

2.3.4 由简到繁：苯环、氢键受体与酰胺键

实例一：苯环的两极写法。c1ccccc1 只命中“六个芳香碳构成的六元环”，判定与目标的芳香感知绑定（见上节注记）。泛化到另一极端是 [#6]1~[#6]~[#6]~[#6]~[#6]~[#6]1：#6 是任意碳，~ 是任意键，环闭合数字仍强制成环——于是环己烷、环己烯、苯一律命中，问的只是“六元全碳环”。两个模式没有对错，只有化学问题之别：统计 π 体系相互作用时用前者，剥离骨架家族时用后者。谓词的宽窄是研究者的语义选择，SMARTS 只负责忠实执行。

实例二：氢键受体的谨慎收窄。受体的化学定义是“孤对可供电子的原子”，不是一张元素清单。朴素的 [#8,#7] 会把吡啶锚盐 [nH+] 也算作受体——正电荷氮的孤对已被质子占用；酰胺氮的孤对离域进羰基，受体性极弱，化学家通常不把它计入。逐层收窄：加电荷谓词得 [#8,#7;!+]，排除正电原子；排除酰胺氮需递归谓词 [#7;!+;!$([#7][#6]=[#8])]——“非正电、且不处于连羰基碳的环境中的氮”。RDKit 官方的 Lipinski 氢键受体 SMARTS 更长，原因正在于边界情形多：酚氧、羰基氧、硝基氧的受体性强弱各异，结构语言只能按类别离散近似。质子化状态随 pH 漂移这一连续谱，SMARTS 表达不了——须在 2.6 节的标准化阶段先定质子化状态，再谈匹配。

实例三：酰胺键，从名词到判据。化学名词“酰胺键”翻译成模式语言，先写 C(=O)N：一个碳，连着双键氧与氮。逐项读出语义：查询未提 C 的其余邻居，所以甲基、芳环作邻居都放行；C–N 之间省略了键符号，按“单键或芳香键”处理——两个脂族原子之间实际就是单键，C=N 双键的酮亚胺不会命中，真要放行任意键须写 C(=O)~N；而 C(=S)N 的硫代酰胺不会命中，因为 =O 是字面谓词。收紧一步得 [CX3](=[OX1])-[NX3]：羰基碳连接数 3、氧连接数 1、酰胺氮总连接数 3——一级、二级、三级酰胺都可能满足，取决于氢与重原子的组合——连字符把 C–N 明确钉死为单键。官能团检索的意义正在于此——把化学家的名词变成可执行、可复现的结构判据，而“数出分子里有几个酰胺”就是最朴素的结构描述符（2.4 节展开）。下段代码印证语义的三个层次。

amide = Chem.MolFromSmarts("[CX3](=[OX1])-[NX3]")   # 度数谓词钉死三个原子的连接
mol = Chem.MolFromSmiles("CC(=O)Nc1ccccc1")         # 乙酰苯胺
print(mol.HasSubstructMatch(amide))                 # True —— 存在性：过滤用语
print(mol.GetSubstructMatches(amide))               # ((1, 2, 3),) —— 嵌入以原子编号给出
print(Chem.MolFromSmiles("CC(=S)N").HasSubstructMatch(amide))   # False —— =OX1 拒绝硫代酰胺

2.3.5 药效团：给匹配加上几何

药效团(pharmacophore)把生物活性抽象为两件事：一组特征点(feature points)——氢键供体、受体、疏水中心、正电中心、负电中心、芳环中心——以及它们之间的几何约束(geometric constraints)——距离区间、夹角、二面角（Güner, 2000）。配体之所以结合靶点，化学的讲法是“几个功能位点以正确的空间排布各司其职”；药效团就是这段话的形式化。

子结构匹配与药效团是同一家族的两种约束匹配，约束空间却不同，并非谁是谁的退化特例。子结构匹配约束原子身份与共价拓扑——元素、键级、连接、环归属；药效团先把局部结构抽象成功能角色——不再问“是不是氮”，只问“是不是受体”——再约束角色之间的距离关系（拓扑距离区间，或三维的距离、夹角、二面角）。把药效团的距离约束全部去掉，得到的是“只问特征存在与否”的特征查询，它不会自动变回一张带键级的子结构图；反过来，子结构匹配也从不要求建立供体、受体这类功能角色。两者在实现上确有真实的连接：药效团的特征判据往往就用 SMARTS 书写——“受体”这一角色正可以定义为 2.3.4 那套结构判据的收窄版；RDKit 把只有特征判据、暂无距离约束的中间形态称作 proto-pharmacophore。匹配对象由此从分子图变为特征图，判定从同构检查变为“特征对应 + 几何校验”。

三维药效团检索因此是两步合成：先在构象集合上做特征图匹配，得到候选的特征对应；再用距离、角度约束筛掉不合格的构象。图匹配给出“谁对应谁”，几何给出“够不够格”——两个模块各司其职，恰是 2.3.1 的搜索与 2.3.3 的谓词在三维世界的延伸（图 2.3-3）。对机器学习，这一节留下两点：药效团特征计数与药效团指纹是现成的特征来源；同时它划出了 2D 匹配的边界——无几何、无能量，三维信息要么显式建模，要么明确放弃。

2.3.6 流水线中的位置：过滤、骨架与反应中心

结构过滤。把领域知识固化成一批 SMARTS，在建模之前清理数据，是子结构匹配最广泛的应用。PAINS(pan-assay interference compounds)过滤器标记那些在无关化验里反复“显活性”的干扰结构——荧光团、反应性亲电体、聚集倾向骨架（Baell & Holloway, 2010）；毒团警报(toxicophore alert)则标记 Michael 受体片段、芳香硝基、肼等易致毒警示子结构。两类过滤器目标不同——前者管化验干扰，后者管毒性——但工程地位一样：命中不等于无效或有毒，只是进入人工复核的信号。与 2.1 节的早失败精神一致——记录剔除清单与理由，而不是静默丢弃。框架内部同样如此：RDKit 的 Lipinski 族描述符——供体数、受体数、可旋转键数——底层正是一组内置 SMARTS 的结构规则（Python 接口转入编译的描述符实现，Landrum et al., 2026）；第 4 章生成模型对警示子结构的惩罚打分，用的还是同一台匹配器。

骨架统计。1.3 节的骨架(scaffold)划分在此获得操作基础：Murcko 骨架由“环系加连接链”定义，剥离是图层面的操作；SMARTS 则用于定义骨架家族、检索骨架共享的分子。第 5 章做骨架划分（scaffold split）时，训练集与测试集的分桶依据正是这种图层面的骨架等价判断——比指纹相似严格，比精确相等宽容，刻度恰好落在“化学家认作同类”的位置。

反应中心识别。2.7 节的反应 SMARTS 把模板同时匹配到反应物与产物，但匹配到的原子集通常只是“反应位点的上下文”——模板为了选择性，常把不参与变化的邻居原子也写进去。反应中心要由反应物与产物之间真正变化的原子与键比对得出：断键、成键、键级改变、连接数或元素改变；RDKit 的 changed-atom 判定正是按这些差异定义的。至于原子映射，方向恰好相反：反应 SMARTS 里的映射号（如 [C:1]）是模板自己给出的反应物—产物对应关系，用来约束匹配，而不是匹配算出来的产物；给已观测的反应数据补全原子映射，则是另一个专门的映射问题（2.7 节）。子结构匹配在此的角色从“检索”变为“标注”——标注的质量决定反应数据的质量，进而决定反应学习模型的上限。三处应用共享同一个机理——本节开头的嵌入与剪枝，区别只在谓词写什么、匹配结果交给谁。

与 2.5 节的相似性检索对照，边界更清楚：子结构匹配是硬判据，要么命中要么不命中，答案由谓词完全决定、可复现可审计；指纹相似是软度量，给的是排序而非裁决。虚拟筛选中两者互补——先以松的相似性圈出候选池，再以严的子结构过滤收窄；或反过来，先钉死必需官能团，再用相似性在满足硬约束的分子里排序。

回到主线。子结构匹配把化学家的名词——官能团、骨架、警报——变成机器可执行的判据，是从分子表示（2.1、2.2）走向特征化与反应建模的枢纽。下一节换一条路：不再问“图里有没有什么”，而把整张图压缩成一组数——分子描述符。