2.7 化学反应的表示与变换：Reaction SMARTS

2.7.1 从分子到反应：三段式的文本表示

前六节处理的都是静态分子。化学反应把一组分子变成另一组分子：键断裂、键生成、原子重新组合。要让机器处理反应，先要给它一种文本。2.2 节的 SMILES 解决了单个分子；按角色把若干 SMILES 拼装起来，就得到反应 SMILES(reaction SMILES)：三段式“反应物>试剂>产物”，两个大于号把一条反应切成三栏（Daylight 理论手册）。同一栏内的多个分子以点号分隔，与混合物的写法一致。

三栏的划分标准是键的变化。反应物(reactants)指发生键变化的分子——至少有一个原子卷入断裂或生成的键；试剂(agents)只提供环境：溶剂、催化剂、酸碱，箭头上方写的那些名字。图 2.7-1 是全文标注的酯化：乙酸与甲醇缩合生成乙酸甲酯与水，酸催化剂放在中栏，两侧点号各分隔两个组分。一个语法细节要分清：严格的三段式中栏只能容纳分子 SMILES——硫酸、吡啶的分子式放得进去，heat、80C 这类条件文本放进去会解析失败（实测如此）；温度与操作条件应作为反应的附加数据保存，图上箭头旁的“加热”是教学示意图的标注，不是字符串的一部分。试剂栏可以为空（写作“>>”），此时反应只剩净变换的骨架。

三段式只编码结构骨架，编码不了别的东西：计量比、速率、温度区间、立体选择性与机理细节都不在其中（立体化学可用 @ 记号局部表达，但反应数据很少完备到这一步）。同样要认清：“反应物/试剂”的边界是标注约定而非物理——数据库里两者经常混排，把角色理顺本身就是反应数据清洗的第一道工序，2.6 节的问题在反应层面重演。USPTO 专利反应集是这类数据的最大来源，其角色划分的噪声是公认的局限（Coley et al., 2017）。

2.7.2 原子映射：反应数据真正携带的信息

仅凭三段式，机器只知道“这些分子进了、那些分子出了”，不知道谁变成了谁。补上这一环的是原子映射(atom mapping)：给反应物与产物中“同一个原子”标注同一个整数，映射号写在原子方括号内（如 [CH3:1]）。它是纯粹的标注层——抹掉全部映射号，反应的化学含义分毫未变；但有了映射，键的变化可以逐条导出，图 2.7-1 中酸羟基氧与水的氧同为 O:3、甲醇的氧转入酯基成为 O:4，去向一目了然。

换个角度说：无映射的反应只有“表观”，映射给出“对应”。历史文献与专利几乎从不给出映射，自动补齐于是成为反应信息学的第一道工序。两条主要路线：结构对齐——在反应物与产物之间找最大公共子结构，保留的骨架直接对号，剩余原子再按连接度配对；数据驱动——RXNMapper 一类工具以 Transformer 注意力从大规模反应数据中直接学出原子对应（Schwaller et al., 2021）。两条路线都有失败模式，映射错误并不罕见。

反应变化的概念也撑起了反应的向量化，但表示路径不止一条。Schneider 等（2015）的差异指纹并不逐原子使用映射：分别计算产物侧与反应物侧的原子对指纹再相减（RDKit 的实现同路，可选并入试剂指纹），用于大规模反应分类与相似性检索——实测对同一条酯化保留、删除甚至交换映射号，默认差异指纹完全相同，而键编辑集合早已改变。依赖原子对应的另一路是直接建模反应中心：Jin、Coley、Barzilay 与 Jaakkola（2017）用 Weisfeiler–Lehman 差分网络在底物图上定位反应中心、枚举候选产物再评分排序，把“找反应中心”变成可学习的任务（用模板枚举加神经网络排序的姊妹工作见 Coley et al., 2017）。这条线索在第 4 章正面展开。

2.7.3 反应模板：从个例到广义变换

单条反应只是个例，合成化学的知识以“一类反应”存在：酯化、酰胺化、偶联。把个例归纳成类，靠的是反应模板(reaction template)。从大量已映射反应出发：取出反应变化位点，连同指定半径的邻近环境，再把具体原子泛化为查询条件——碳写作 [#6]（原子序数 6，不分芳香与否），带两个氢的氮写作 [N;H2]。这些片段是构建官能团查询的基础条件，不是官能团的完整定义：[#6] 同时匹配脂肪碳与芳香碳（C 才限定非芳香、c 限定芳香）；[N;H2] 也锁不定中性伯胺——实测它还命中酰胺氮、磺酰胺氮，甚至质子化的二甲胺 C[NH2+]C（两个碳取代基）。识别“中性伯胺”须再加连接度与电荷谓词，并按任务排除酰胺、磺酰胺环境。数百万条专利反应可以抽出数万到数十万条特化模板（量级随提取半径与归并口径而变——Segler 的规则提取工作得到的两套规则库分别约 1.7 万与 30 万条，采用了不同的环境范围与频率阈值），归并后常用的泛化模板在千条量级。

模板的粒度由半径决定（图 2.7-2、表 2.7-1）。方向上，半径增大增加局部上下文、缩小匹配范围；幅度却取决于模板里还保留了哪些元素、离去基、氢数与电荷约束——半径 0 若锁死了离去基，也覆盖不了“一切酰基转移”；半径 2 若环境稀疏，也未必复现文献先例。真实提取流程还不一定是等半径截取：RDChiral 会按预定义官能团扩展局部环境，两个都标称“半径 1”的流程未必生成同样粒度的模板。特化与泛化是一组权衡，半径只是其中最直观的旋钮。

模板因此成为合成可达性(synthetic accessibility)的粗粒度模型：一个分子“可达”，若存在模板链把商业起始原料一步步变换到它。但要收紧推论的方向：当前模板库与搜索过程没有找到路线，只说明该系统暂未找到——模板遗漏、库存范围、表示差异、搜索预算都能造成空手而归，不能直接证明分子难以合成；反过来，找到模板链也只是“已知化学操作可及”，不等于实验可行。相比逐原子打分的经验规则，模板模型直接对应“已知的化学操作”，解释性强；代价同样明确——模板之外的新化学天然不可达，它只能回答已知问题。

2.7.4 Reaction SMARTS：把变换写成图重写规则

模板怎样落到纸面？答案接回 2.3 节的 SMARTS。Reaction SMARTS 把变换写成一对图模式：左侧模式匹配反应物，右侧模式给出产物，两侧以原子映射号对齐保留下来的原子。左侧被匹配而不带映射号的原子是离去基团，产物中不再出现；右侧不带映射号的原子是新建的。这是一条名副其实的图重写规则(graph rewriting rule)：在底物图上找到同构于左侧模式的子图，按右侧模式改写边、重建分子。Daylight 规范中的 SMIRKS 是加了严格限制的子集——不止两侧映射原子集一致，还涉及映射原子的数量与类型、显式氢与变化位点上的表达；RDKit 文档则明确把自家的 Reaction SMARTS 与 SMIRKS 区分开。本节代码采用 RDKit 语义，可执行的规则不等于符合 Daylight SMIRKS 规范（Daylight 理论手册；Landrum et al., 2026）。

通配符在规则里扮演 R 基。[#6] 只约束“原子序数 6”——脂肪碳、芳香碳都放行（限定芳香须写 [c]）；[#6;R] 进一步要求处于环上；[N;H2] 是“带两个氢的非芳香氮”，如 2.7.3 所述它不是中性伯胺的完整定义。通配的深浅逐原子可调，模板的特化程度因此是连续旋钮，而非二选一——2.7.3 节的半径权衡在原子层面重现。举一个整类反应的简化例子：钯催化的Suzuki 偶联(Suzuki coupling)可写作 [#6:1][B](O)O.[#6:2]Br>>[#6:1][#6:2]（钯催化剂与碱入试剂栏）：两个碳片段各贡献一个 [#6]——作为碳—碳连接的示例未限定芳基，把它当该反应类的完整定义会放过这一步限定；断裂的 C–Br 与离去的硼酸基不带映射号，新生的 C:1–C:2 是唯一的成键事件。

下面把 2.7.1 节的酯化写成规则并应用于真实底物。六个映射原子中四个是核心（C:1、O:2、O:3、O:4），另两个 [#6] 是 R 基锚点；键的变化只有断裂与生成各一条。

from rdkit import Chem
from rdkit.Chem import AllChem

# 酯化模板（净变换）：C:1–O:3（酸羟基）断裂，C:1–O:4（醇氧）生成；
# [#6:6] 与 [#6:5] 是两个 R 基——通配只约束元素，不约束环境
ester = AllChem.ReactionFromSmarts(
    "[#6:6][C:1](=[O:2])[O;H1:3].[#6:5][O;H1:4]"
    ">>[#6:6][C:1](=[O:2])[O:4][#6:5].[OH2:3]")

acid = Chem.MolFromSmiles("CC(=O)O")    # 乙酸：R 基 = CH3
alc  = Chem.MolFromSmiles("CO")         # 甲醇：R 基 = CH3
groups = ester.RunReactants((acid, alc))    # 枚举全部匹配位置的产物组
print(len(groups))                          # 1：单羟基底物只有一组
prods = []
for grp in groups:
    for p in grp:
        Chem.SanitizeMol(p)                 # 引擎产物默认未完成清洗，须显式执行
        prods.append(Chem.MolToSmiles(p))
print(prods)   # ['COC(C)=O', 'O'] —— 乙酸甲酯 + 水；映射原子全部守恒

把底物换成乙醇，同一规则给出乙酸乙酯——通配符放行了模板视野之外的骨架。执行方式的三点纪律。其一，RunReactants 返回的是全部匹配组：多羟基底物会枚举出多个不同单酯（1,2-丙二醇两组），对称底物给出重复组（乙二醇两组同产物），无匹配时返回空元组——直接取 [0] 会任意舍弃候选、保留重复，或在无匹配时下标越界；认真使用的骨架是“检查输入与模板—枚举产物组—逐组结构检查—按规则去重—再排序筛选”。其二，引擎生成的产物默认未完成 sanitization，SanitizeMol 必须显式执行——通过价键校验与“实验上能得到”也是两层：前者是结构合法性，后者是化学可行性。其三，模板编码的是净变换：酯化经四面体中间体多步完成，图重写一步到位——模板是计量关系的账本，不是机理的影片，电子推动另有表示体系；写错的模板会安静地产出错误分子，责任在使用者（Landrum et al., 2026）。

2.7.5 思想源头：Corey 的逆合成分析与 AND/OR 搜索树

模板正向用是预测产物，反向用就是规划合成。思想源头在 Corey：合成设计可以形式化为“目标分子的结构变换”序列（Corey & Wipke, 1969）。1969 年的 Science 论文与 LHASA 程序给出完整设想：图形输入目标分子，计算机沿“感知—策略—变换”循环递归展开候选路线。逆合成分析(retrosynthetic analysis)由此定形：把目标当作可拆解的结构，反复施加切断(disconnection)——逆着一条正向模板断开一根键——得到前体(precursor)集合，直到全部前体落入商业可得的起始原料。切断所得的抽象碎片即合成子(synthon)，与前体（真实试剂）相对。

递归展开天然长成一棵 AND/OR 搜索树(AND/OR search tree)（图 2.7-3）。OR 层枚举不同切断——断酯键、换酰源——彼此替代，任选其一即可；AND 层是同一切断要求的前体集合——水杨酸与乙酸酐缺一不可。每个前体又是新目标，递归下探。“找到一条路线”等价于在树中找到一棵解子树：OR 节点任选其一，被选中的 AND 组里每个前体分支都必须解到起始原料——只沿某一条根到叶的路径走不完，因为兄弟前体也要各有着落。（另一种建法把“当前待解决分子的集合”作为状态，此时一条状态路径即一条完整方案，Segler 等的搜索即取此表示；两种表示都成立，只是不能在同一段论述里混用。）

为什么爆炸？分支每层相乘，规模按深度指数增长：

浅看分支并不凶：每步三五条候选很平常；乘方立刻失控。三层结构性对策沿用至今。起始原料清单提前终止——节点一旦命中库存即封叶；启发式给切断排序——Corey 的战略键分析，优先断出最大结构简化的键；检索算法控制探索次序——蒙特卡洛树搜索是当代版本（Segler et al., 2018）。1969 年设想的框架，今天仍在同一棵树上做文章。

“反向用模板”这一步本身也有一课，值得用代码钉牢。把上面的 Suzuki 模板左右互换去拆联苯，实测得到 26 组候选，其中 24 组连结构检查都过不了——反向查询里的 [#6:1][#6:2] 省略了键符号，芳香环内部的键也进入匹配范围；把要切断的键明确写成 [c:1]-[c:2]（显式单键）后只剩两组有效候选，且互为对称匹配的重复（苯硼酸 + 溴苯）。方向一换，原本用于生成产物的表达就变成查询条件，匹配语义须重新检查——正向能跑的字符串，不保证反向有合适的匹配范围。反向生成的前体也只是候选构造，不是正向实验可行性的证明。另一个概念边界：逆合成变换不只“断一根键”——把醇目标追溯为羰基前体主要是官能团与键级的变化，环化反应的逆向也不止一条断键；单键切断是入门例子，不是逆合成的全部定义。

2.7.6 模板作为先验：通向第 4 章

回到表示的主线。第 4 章会遇上“从头逐原子生成分子”的模型：自回归地逐步生成原子与键。这类模型的结构合法性检查通常不能保证产物可合成。反应模板提供了另一种先验：将搜索限制在模板库覆盖的变换内，有助于控制逆合成树的分支数。模板来自已知反应，但应用到新底物时，产物仍需检查结构、条件和选择性；模板匹配本身不保证实验成功。固定模板库也会限制可探索的反应类型。

当代数据驱动逆合成沿两条路推进：模板推荐——学习“对这个目标该用哪条模板”，把庞大的模板库压缩成排序问题，并配合蒙特卡洛树搜索做路线规划（Segler et al., 2018）；无模板模型——绕开模板直接生成前体，如序列到序列模型直接输出前体的 SMILES 序列（Liu et al., 2017；这类方法生成的是序列表示，并非所有无模板方法都直接产出分子图）。产物预测是同一问题的正向姊妹题：在底物图上定位反应中心、枚举候选产物再评分排序（Jin et al., 2017），或以模板枚举加神经网络排序（Coley et al., 2017）。两条路线的较量与融合，留待 4.7 节讨论。

本章至此收束。RDKit 给出的三样东西——分子图、SMILES 与 SMARTS、反应与模板——为后续章节提供基础：第 3 章在分子表示上训练性质模型，第 4 章把生成与反应变换接起来。后续讨论仍会使用原子映射、反应中心、模板与键切断等概念。