cdk-atomsig.png

CDK（Chemistry Develop Kit）中有一个功能就是由分子转化成原子信息(AtomSignaure，下文简称AS)，其实就是以树的方式描述原子之间的关系。
可是这样得到的原子信息没有办法直接利用（至少我不知道有什么软件或者脚本可以实现，网上并没有查到）。于是今天花了一天的时间，自己用手用Python实现了从AS到SMIELS的转换。

想要转换，先要搞懂AS的表达形式是什么，如图1可知，它可以理解为，以某个碳原子为起点，即树的根，寻找与碳原子相邻的原子作为根节点的一个子节点，以此类推。如果碰到环的情况，与SMILES类似，用[C,x]。x是数字，表示它们指的是同一个碳原子，且一般不会再有子节点。然后是字符串表达形式，显然是根据深度优先的遍历顺序，深度每增加1，则用左括号表示，深度倒退1，则用右括号表示。

这里的括号与SMILES有相同点与不同点。相同点是都是表示“分支”，但是SMILES中括号是支链的意思，而主链则不需要用括号，如果把括号中内容全部去掉，则只剩下一条主链。而AS中括号表示的是子节点，可以这样理解，C1(C2C3);C2=(C5C4)以此迭代下去，并没有主链的存在。所以显然SMILES与AS的表达方式是不同的，不可以简单的取代。
我使用的方法是将AS的线性表达先转化成树，然后再由树转化成SMILES式。
我使用的是Knime下的CDK插件，生成的AS格式如下：
C)[N]pN))
下文是针对这么一个字符串让它最终变成SMILES的格式:
1. AS——>树
Python好像有提供操作树的类，但是我个人比较喜欢List与Dict两个数据类型，也是因为这两个数据类型爱上Python的。于是我试着用这两种数据类型来描述一棵树。
很简单，就是树具有根节点和叶子节点，有点像字典的key和value，于是可以这样表达：{C1:[C2,C3]}，其中C2 = {C2:[C5,C4]},以此迭代，这样既储存了每个节点的信息，也能很好的具有迭代的性质：键对应的是根节点，值是子节点的数组，子节点本身也是一个字典。
AS本身是以字符串表达，所以要对字符串逐字分析：
每个节点可以看成C的字符串，所以第一步是确定节点信息，即[C]，确定方法是当第一次出现”(“表示要进入子节点，也就意味着根节点信息保存完毕，然后根据左括号数等于右括号数，找到对应的右括号，子节点信息保存完毕，进入下一个并列的兄弟节点。树的第一层是[C]，对应的子节点信息是：pC)[N]pN)
子节点信息其实就是“C1C2”的形式，也就是出现第一个左括号时表示子节点信息开始，找到对应的右括号后则变成C2即相邻节点的信息。子节点即第三层，继续迭代即可。
所以我把这个过程看成两个部分：寻找当前层所有节点的信息，作为“键”；得到子节点组的信息，进一步迭代。
需要注意的是，像[N]p[N]这样，由于[N]本身就是叶子节点，所以虽然没有括号，但它与p[N]是两个原子，需要作为两个节点处理，如果像前面说的，碰到括号才理解为下一个节点是不行的，我这里利用“]”作为让原子与原子隔开的标记，详见脚本。
碰到没有子节点的时候，理论上也可以认为是一个字典，字典只有键没有值，比如{[C]:}，但我个人爱好是直接用字符串表达，就直接是”[C]”，这样的好处第2部分里可以发现。（也不一定是好处，时间有限，我没尝试用字典表达叶子节点）
最终得到字符串List:[{‘[C]’: [{‘p[C]’: [{‘p[c]’: [‘p[C,0]’]}]}, ‘[N]’,{‘p[N]’: [{‘p[C]’: [‘p[C,0]’, ‘p[N]’]}]}]}]”
2. 树——>SMILES
这个分为两步，一步是让非线性的字典表达式转化成线性的字符串；第二步是优化，因为AS的表达与SMILES不同，所以要修改为SMILES样式。
第一步类似于上一步的逆运算，也是需要迭代的。
我把节点线性化分成两种情况，第一种是如果节点只有一个子节点，那么认为它是主链，即没有括号，如果有不止一个子节点，那么最后一个节点为主链，其他为支链需要加括号。之所以是最后一个节点为主链，因为SMILES式中支链是写在主链前面的，如2甲基戊烷可以写成：C1(C2C3)C4C5C6，C2C3是支链，C4C5C6是主链，可见支链写在主链的前面。
如果是叶子节点，则直接返回字符串内容（这需要用到type命令进行类型判定），如果不是，则需要进一步迭代。
这样最终得到的是p[C]这种形式，显然不行，p[C]表示芳香C，但在SMILES中一般表示为c，所以要进一步优化。这种优化还简单，更难的是环的问题，比如环己烷SMILES中环表示的是C1CCCCC1，一共六个碳，但是AS的表达则是（假设从3号碳原子出发）C)C))，能发现会多一个碳原子，因为[C,1]是重复出现的（仔细观察图1也能看出来）所以我们要去掉这个但又要保留“1”这个信号。我们不能直接去掉[C,1]改成c1和1，还要考虑如果第二个C1在支链上，则可能会出现C1CC(1)C这种情况。那么要去掉这个支链信号，如果在主链上，可能会出现C1CC(C)1这种情况，我们要讲1提到前面那个碳中，因为想要表达的是第一个碳和第3个碳相连，具体解决方法可以参考附件脚本。

通过这么个脚本的制作，还能回顾一些文本处理的方法，主要就是Re模块的正则表达式方法。
需要注意的一点，我在编写过程中犯了一个小错误，很有意思：
通过re.findall找到了[C,1]，然后通过re.sub改成C1，都没问题，接着我写了类似于下面的代码
Rel = ‘C1’
Ori = ‘[C,1]’
re.sub(Ori,Rel,smiles)
结果就错了。原因是Ori参数写的应该是正则表达式，而不是原字符串，所以’[C,1]’在这里指的是C或1，而不是这段字符串。后来我该成了smiles = smiles.replace(Ori,Rel) 就可以了。