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，酸催化与加热放在中栏，两侧点号各分隔两个组分。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。

反应中心的概念也撑起了反应的向量化。Schneider 等（2015）把产物一侧的原子环境减去反应物一侧的原子环境，得到反应差异指纹，用于大规模反应分类与相似性检索——算的仍是「哪里变了」。反应中心还可以直接建模：Coley 等（2017）用图卷积网络在底物图上预测哪条键将被改写，再对候选产物排序，把「找反应中心」变成一个可学习的任务。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：取出反应中心，连同指定半径的邻近环境，再把具体原子泛化为查询条件——脂肪碳写作 [#6]、伯胺写作 [N;H2]——即得一条广义变换。数百万条专利反应可以抽出数万到数十万条特化模板（量级估计，随提取半径与归并口径而变），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）。半径 0 只留反应中心：几乎一切同型反应都命中，覆盖极广；但「形似而非」的底物也一并命中，误配率高。半径 1 把直接邻居带上：模板开始区分环境，覆盖收缩，误配下降。半径 2 以上接近逐例复现：精确，但每条模板只服务少数反应。特化与泛化不可兼得，半径是这组权衡的旋钮。

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；连一步模板都套不上的分子，合成难度大概率偏高。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 是加了严格对应限制的子集（要求两侧映射原子集一致），工程语境里两词常混用（Daylight 理论手册）。

通配符在规则里扮演 R 基。[#6] 只约束「是个碳」，把骨架其余部分放行；[#6;R] 进一步要求处于环上，[N;H2] 锁定伯胺。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）：两个芳基片段各贡献一个 [#6]，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——一条重写规则压住整类偶联化学。

下面把 2.7.1 节的酯化写成规则并应用于真实底物。四个映射原子全部保留，键的变化只有断裂与生成各一条；两个 [#6] 通配符各锚住一个 R 基。

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
prods = ester.RunReactants((acid, alc))[0]  # 左侧模式匹配底物图，右侧模式重建产物
print([Chem.MolToSmiles(p) for p in 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。两点提醒。其一，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。其二，右侧模式决定产物的合法性：映射原子照搬属性，重建后仍需通过价键校验；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条从根到全部起始原料叶的解路径。

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。

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：自回归地逐个吐出原子与键。对合成而言，这类模型的输出空间是全部合法分子——绝大多数与已知化学毫无关系。模板给出强得多的先验：把搜索限制在模板库覆盖的变换之内，每一步的产物天然合法、天然有文献先例，逆合成树的有效分支因子骤降。代价同样明确：模板之外的新反应类型永远走不通——先验即天花板。

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；无模板模型——绕开模板直接预测前体图（Segler et al., 2018）。产物预测是同一问题的正向姊妹题：从底物预测反应中心与产物（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——是后续所有章节的地基：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。带着映射、中心、模板、切断这四个词过去，新章节没有新地基。