第四講 化學(xué)結(jié)構(gòu)信息的計算機表述方法

姚建華 李佳 徐雯麗 蔣舒仰 胡靜 李靖靖

1中國科學(xué)院能量調(diào)控材料重點實驗室，中國科學(xué)院上海有機化學(xué)研究所（上海 200032）

2鄭州工程技術(shù)學(xué)院 （河南鄭州 450044）

據(jù)文獻記載，自公元330年起，人們就開始研究物質(zhì)的組成、運動、生長或脫去。美國化學(xué)文摘社（CAS,Chemical Abstracts Service）統(tǒng)計的數(shù)據(jù)顯示，截至目前，己知的化合物近1.5億，已報道的化學(xué)反應(yīng)已超過9000萬條[1]。

為了記錄和交流化學(xué)知識，必須用一種語言（術(shù)語）來描述這些化合物，即所謂的化合物命名。早在十八世紀(jì)末，瑞典化學(xué)家Bergman和法國化學(xué)家Laviosier首先建議將當(dāng)時雜亂的術(shù)語統(tǒng)一起來。雖然他們的體系沒能得到普及，但是這一思想?yún)s孕育了現(xiàn)代化學(xué)廣泛使用著的系統(tǒng)命名法。

隨著人們對化學(xué)結(jié)構(gòu)認識的不斷深化，逐漸形成了近代化學(xué)結(jié)構(gòu)理論，特別是Kekule在1865年首次使用了由單短線和雙短線交替組成的正六邊形來表示苯的結(jié)構(gòu)以后，結(jié)構(gòu)式已成為化學(xué)家最通用的語言和化學(xué)知識的載體。

化學(xué)結(jié)構(gòu)作為化學(xué)家最普遍使用的語言，在化學(xué)知識的記錄、傳播和交流中起著十分重要的作用。隨著計算機的普及，廣大化學(xué)工作者都希望能用計算機來幫助處理化學(xué)結(jié)構(gòu)。

然而，化學(xué)結(jié)構(gòu)式也有記錄與處理困難的缺點，隨著計算機的普及，化學(xué)家希望能借助于它來處理化學(xué)結(jié)構(gòu)。因此，自計算機誕生起，用計算機處理化學(xué)結(jié)構(gòu)的理論和技術(shù)就得到了廣泛的重視與深入的研究。早在20世紀(jì)50年代，美國國家標(biāo)準(zhǔn)化辦公室數(shù)據(jù)處理系統(tǒng)部門的工作人員Ray和Kirsch就在《Science》上發(fā)表了題為“Finding chemical records by digital computers”的文章[2]。

在此，將介紹幾種化學(xué)結(jié)構(gòu)的表述方法：系統(tǒng)命名法、線形碼、碎片碼、拓撲碼和連接表。

1 系統(tǒng)命名

在早期的化學(xué)文獻中，化合物命名大多使用簡短的習(xí)慣命名法。習(xí)慣命名的無規(guī)律性造成了使用的不方便，因此，化學(xué)家希望建立一套大家公認的規(guī)則，根據(jù)這套規(guī)則，每個化合物都能得到一個標(biāo)準(zhǔn)的命名，這就是系統(tǒng)命名法。系統(tǒng)命名法，特別是它遵循的原則是其他一切化學(xué)結(jié)構(gòu)表述方法的基礎(chǔ)。目前，被化學(xué)家接受的系統(tǒng)命名法主要為IUPAC系統(tǒng)命名法[3]和CA 索引名（CA index name）[4]。

由于IUPAC系統(tǒng)命名的某些不足，美國化學(xué)文摘社根據(jù)IUPAC規(guī)則設(shè)計了專用的系統(tǒng)命名規(guī)則（即CA索引名），并生成算法[5]。

2 化學(xué)結(jié)構(gòu)的機器表述

化學(xué)結(jié)構(gòu)的自動處理最早是基于打字機的化學(xué)結(jié)構(gòu)表示法，提出者為 Richards[6]，Dyson[7]和Frear[8]等。

他們試圖用數(shù)字和字母組成的直線形式來表述結(jié)構(gòu)式。之后,還有許多人提出了各種各樣的化學(xué)結(jié)構(gòu)表述方法。20世紀(jì)60年代后期以來，人們開展了完善表述化學(xué)結(jié)構(gòu)的方法和計算機表述化學(xué)結(jié)構(gòu)方法的工作。目前，在計算機上得到實際應(yīng)用的結(jié)構(gòu)表述方法有線形碼、碎片碼、拓撲碼和連接表文件等等?；衔?-（2-乙胺基）-1,2-苯二酚的化學(xué)結(jié)構(gòu)如圖1所示。

圖1 化合物4-（2-乙胺基）-1,2-苯二酚的化學(xué)結(jié)構(gòu)

4-（2-乙胺基）-1,2-苯二酚對應(yīng)的命名、線形碼和連接文件顯示如下：

系統(tǒng)命名 （英文）：4-（2-ethylaminyl）-1，2-diphenole

系統(tǒng)命名（中文）：4-（2-乙胺基）-1,2-苯二酚

習(xí)慣名：Dopamine

SMILES 碼a：OC1=C(O)C=C(CCN)C=C1

SLN 碼a：OHC[1]=C(OH)C=C(CH2CH2NH2)C=C@1

InChI碼a：1/C8H11NO2/c9-4-3-6-1-2-7(10)8(11)5-6/h1-2,5,10-11H,3-4,9H2

連接文件b：

-ISIS- 06181923262D

11 11 0 0 0 0 0 0 0 0999 V2000

1.6236 1.0292 0.0000 C 0 0 0 0 0 0 0 0 0 0 0 0

1.6224 -1.3648 0.0000C 0 0 0 0 0 0 0 0 0 0 0 0

3.6956 -2.5610 0.0000C 0 0 0 0 0 0 0 0 0 0 0 0

5.7870 -1.3519 0.0000C 0 0 0 0 0 0 0 0 0 0 0 0

5.7841 1.0203 0.0000C 0 0 0 0 0 0 0 0 0 0 0 0

3.6938 2.2253 0.0000C 0 0 0 0 0 0 0 0 0 0 0 0

-0.4750 2.2500 0.0000O 0 0 0 0 0 0 0 0 0 0 0 0

-0.4750-2.5792 0.0000O 0 0 0 0 0 0 0 0 0 0 0 0

7.9000 -2.5292 0.0000C 0 0 0 0 0 0 0 0 0 0 0 0

7.9375 -4.9458 0.0000C 0 0 0 0 0 0 0 0 0 0 0 0

12.1042 -6.9458 0.0000N 0 0 0 0 0 0 0 0 0 0 0 0

5 6 2 0 0 0 0

6 1 1 0 0 0 0

1 2 2 0 0 0 0

1 7 1 0 0 0 0

3 4 2 0 0 0 0

2 8 1 0 0 0 0

4 9 1 0 0 0 0

4 5 1 0 0 0 0

9 10 1 0 0 0 0

2 3 1 0 0 0 0

10 11 1 0 0 0 0 MEND

注：a——ChemDraw Ultra Ver.10.0軟件生成；

b——MDL mol格式文件。

3 線形碼

所謂線形碼（或稱線形標(biāo)記），是由一組字符按照一定的規(guī)則排列而成的一個字符串，該字符串可用于表達對應(yīng)的化學(xué)結(jié)構(gòu)式。目前，比較常用的主要有 SMILES，SLN 和 InChI。

SMILES（Simplified molecular input line entry system）碼，是一種用ASCII字符串明確描述分子結(jié)構(gòu)的表達式。SMILES由Arthur Weininger和David Weininger于20世紀(jì)80年代晚期開發(fā)，并由其他人，尤其是日光化學(xué)信息系統(tǒng)有限公司（Daylight Chemical Information Systems Inc.），修改和擴展。

SLN（SYBYL Line Notation）是由 Tripos公司提出的一種線形ASCII碼表達式 ，用于表示化學(xué)結(jié)構(gòu)，包括常見的有機分子、大分子、聚合物和組合庫。SLN還用于表示子結(jié)構(gòu)查詢，包括用于Markush表示的完整工具。這種簡潔的語言非常適合于化學(xué)實體的數(shù)據(jù)庫存儲以及結(jié)構(gòu)和查詢的網(wǎng)絡(luò)通信[9]。

InChI（International Chemical Identifier）是 由 國際純粹與應(yīng)用化學(xué)聯(lián)合會（International Union of Pure and Applied Chemistry，IUPAC）和美國國家標(biāo)準(zhǔn)技術(shù)研究所（National Institute of Standards and Technology，NIST）聯(lián)合制定的，用以唯一標(biāo)識化合物識別碼[10]的線形碼。

除了專用系統(tǒng)，目前，ChemDraw Ultra Ver10.0及以上版本可以產(chǎn)生以上介紹的3種線形碼。但需要注意的是，不同版本的線形碼生成系統(tǒng)，產(chǎn)生的線形碼可能有差異。

4 碎片碼

碎片碼是將化學(xué)結(jié)構(gòu)分割成結(jié)構(gòu)片斷（這些片斷有一定的化學(xué)意義，最常見的為官能團、環(huán)系統(tǒng)等），然后再加以表述的一種方法。用碎片碼表示化學(xué)結(jié)構(gòu)主要涉及3個內(nèi)容：

（1）結(jié)構(gòu)碎片的選擇；

（2）結(jié)構(gòu)碎片的表示；

（3）代表結(jié)構(gòu)碎片的符號按何種方式（常稱為句法）整合。

結(jié)構(gòu)碎片的選擇通常有兩種方法：

（1）根據(jù)定義好的結(jié)構(gòu)碎片詞典；

（2）根據(jù)分割規(guī)則通過算法來分割結(jié)構(gòu)。

為了便于計算機處理，結(jié)構(gòu)碎片通常用計算機可直接使用的字符來表示。而代表結(jié)構(gòu)碎片的字符還須按某種方式組織起來以代表整個化學(xué)結(jié)構(gòu),這種組織方式稱為句法。實際使用中，這種句法可根據(jù)實際情況來采用，它們分別稱為有句法、半句法或無句法。

5 拓撲碼

直接描述分子中結(jié)構(gòu)單元的性質(zhì)及其相互位置（拓撲）關(guān)系的編碼即是所謂的拓撲碼。與碎片碼和其他編碼相比，拓撲碼收錄了圖的信息。化學(xué)結(jié)構(gòu)實際上可被看成有序色圖[11]。

含有n個原子的化學(xué)結(jié)構(gòu)，有n！種不同的編號方法（n！個同構(gòu)的圖）。為使一個確定結(jié)構(gòu)只能產(chǎn)生一個唯一的拓撲碼（這一點對編碼系統(tǒng)至關(guān)重要），結(jié)構(gòu)中的原子必須按某種方式排序。

排序在產(chǎn)生化學(xué)結(jié)構(gòu)的拓撲碼時起著決定性的作用，不同的排序方式將產(chǎn)生不同的拓撲碼。最著名的拓撲碼是美國化學(xué)文獻社采用的Rgeistrty III[12]和法國學(xué)者Dubois所提出的DARC碼[11]。在用這兩種碼表示化學(xué)結(jié)構(gòu)時，都需要首先找出結(jié)構(gòu)圖的起始點（在CAS碼中為1號原子,而DARC碼中稱為中心），再確定圖中其他原子的序號。與絕大多數(shù)拓撲碼一樣，這兩種碼都只對非氫原子進行描述，而氫原子可以方便地由價鍵理論計算而得。這兩種碼的區(qū)別在于，CAS碼中原子的序號是用Morgan算法[13]獲得，而DARC碼中的原子序號是對結(jié)構(gòu)圖不斷應(yīng)用優(yōu)先規(guī)則來確定的。

6 連接表

化合物的系統(tǒng)命名、碎片碼、拓撲碼和線形碼等，都可用于表述化合物分子結(jié)構(gòu)，原則上它們都可用于計算機處理。但是，這些表述方法不適用于化學(xué)結(jié)構(gòu)的比較。

所謂連接表，本質(zhì)上是分子中所有原子性質(zhì)及其連接關(guān)系（有時包括立體化學(xué)）的一個列表。在連接表中，原子信息主要包含：原子種類，原子的化合價，原子間的連接關(guān)系，原子的坐標(biāo)以及可能的原子電荷、同位素、立體化學(xué)。分子的連接表有冗余的與非冗余的（單向）兩種。

所謂冗余連接表，實際是每個鍵被重復(fù)描述兩次（即成鍵的一對原子，每個原子都作為起始原子被描述）?？梢?，這種表述方法用于表述化學(xué)結(jié)構(gòu)并不合理。所謂非冗余連接表，即對每個鍵只描述一次。后者不僅占用存儲空間小，且計算量也相應(yīng)減少。因此，非冗余連接表在計算機處理化學(xué)結(jié)構(gòu)的程序中得到實際應(yīng)用。由MDL公司的ISIS_DRAW生成的原子編號如圖2所示，對應(yīng)的單向連接表見表1。

圖2 ISIS_DRAW生成的4-（2-乙胺基）-1,2-苯二酚的原子編號

表1 4-（2-乙胺基）-1,2-苯二酚的單向連接表

7 結(jié)語

化學(xué)結(jié)構(gòu)作為化學(xué)家最普遍使用的語言,在化學(xué)知識的記錄、傳播和交流中的核心作用已為大家所認識。

本文概述了長期以來，前人為了實現(xiàn)計算機存儲和處理化學(xué)結(jié)構(gòu)所提出的化學(xué)結(jié)構(gòu)的一些表述方法。這些表述方法都有其適用的環(huán)境，即不同的情況采用不同的方法。在使用時，建議采用適合解決問題的那種方法。