去盐与去重复：化合物数据清洗的第一步

拿到一批化合物数据，最先要做的两件事就是去盐和去重复。它们简单却关键，做不好会让后续建模从一开始就带病。

去盐（desalting）

• 问题：很多记录是盐形式（含反离子、溶剂分子），SMILES 里有多个片段（用 . 分隔）。
• 做法：通常保留最大有机片段作为「母体」，剥离反离子与溶剂。
• 注意：盐型会影响溶解度等性质，若研究对象就是盐型，要单独处理。

去重复（deduplication）

• 判重依据：用规范 SMILES 或 InChIKey（见 033），而非原始字符串。
• 处理冲突：同一分子多条活性数据时，需按规则合并（取中位数/均值或按来源优先级）。
• 防泄漏：重复分子若分散在训练与测试集，会造成数据泄漏。

延伸资源

• 实操：RDKit SaltRemover + InChIKey 判重。
• 配套：046《分子标准化》、048《异常结构识别》。