1. 分子图数据工程导论
分子图数据工程，是把化学分子从“结构式”转化为“可计算图对象”，再进一步转化为“可学习表示”的一整套工程方法。它的核心不是单纯画图，而是回答三个问题：分子中的什么信息应该被保留为节点和边？这些信息如何被组织成统一的数据结构？组织好的图又如何进入模型，变成向量、张量或嵌入，用于性质预测、生成与检索？
在化学信息学中，分子天然适合用图表示。原子是节点，化学键是边。一个分子图通常记为 G = (V, E)，其中 V 是原子集合，E 是键集合。与普通图不同，分子图带有丰富的属性：节点有元素类型、电荷、杂化状态、手性、是否在环上、氢原子数等；边有键级、芳香性、立体构型、是否可旋转等。若把分子写成 SMILES，例如 CCO，它只是线性字符串；而分子图保留了原子之间的连接拓扑，更适合表达局部化学环境。
分子图的最小工程定义：节点 = 原子及其属性；边 = 化学键及其属性；图 = 邻接关系 + 节点特征矩阵 + 边特征矩阵。对于含 N 个原子的分子，节点特征矩阵形状为 N × d_v，边特征矩阵形状为 M × d_e，其中 M 为边数。
从数据工程角度看，分子图不是“一个分子一张图”这么简单。真实任务中，我们面对的是分子集合、反应集合、构象集合。每个分子可能对应多个构象，每个构象又有三维坐标；同一分子在不同质子化状态、不同立体异构体下，图结构可能不同。因此，分子图数据工程的第一项任务是定义图的边界：是只保留二维拓扑，还是加入三维坐标？是显式保留氢原子，还是用隐式氢？是否区分芳香键和单双键交替？这些选择会直接影响后续模型能学到什么。
第二项任务是特征工程与编码。以原子节点为例，常见做法是把元素类型做 one-hot 或 embedding，把度数、形式电荷、手性、芳香性、氢原子数等做成离散或连续特征。边特征则包括键类型、共轭性、环成员关系、立体标记等。工程上通常先定义一套 schema，再批量生成特征矩阵。例如，一个简化的节点特征可以写成：
atom_features = {
"element": one_hot(atomic_num, 118),
"degree": one_hot(degree, 6),
"formal_charge": one_hot(charge + 2, 5),
"hybridization": one_hot(hybridization, 5),
"aromatic": [is_aromatic],
"num_hydrogens": one_hot(total_hs, 5)
}
第三项任务是图级数据组织。单个分子图需要被批量化为张量。常见做法是把多个小图拼成一个大图，用 batch 向量标记每个节点属于哪个分子；或者用 padding 对齐到最大节点数。前者更节省内存，后者更便于固定形状计算。无论哪种方式，都要保证节点顺序、边顺序和特征顺序一致，否则模型学到的就是噪声。
表示学习在分子科学中的定位，可以理解为“从图结构到连续向量的映射”。传统方法依赖专家设计的分子指纹，如 Morgan 指纹、MACCS 键、RDKit 描述符。这些方法可解释、计算快，但表达能力受限于人工规则。图神经网络则通过消息传递，让每个原子聚合邻居信息，自动学习局部和全局表示。一个典型的消息传递层可以写成：
h_v^(k+1) = UPDATE( h_v^(k), AGGREGATE({ h_u^(k), e_uv : u ∈ N(v) }) )
其中 h_v 是原子 v 的隐藏表示，e_uv 是边特征，N(v) 是邻居集合。经过多层传递后，再通过 READOUT 得到分子级表示，用于预测溶解度、毒性、活性、反应产率等性质。
从工程实践看，分子图数据工程通常包含四个连续环节：解析、图化、特征化、批量化。解析阶段把 SMILES、SDF、MOL2、PDB 等格式读入，得到原子表和键表；图化阶段建立邻接关系，处理芳香性、电荷、手性；特征化阶段把原子和键映射为数值向量；批量化阶段把多个图组织成模型可消费的张量。每一步都可能引入偏差，例如芳香键被错误地写成单双键交替，会导致模型学到的电子环境不一致。
表示学习在分子科学中的定位，不是替代化学知识，而是把化学知识编码进图结构和特征中，再让模型从数据中学习映射。一个分子图模型能否成功，往往取决于三件事：图是否保留了任务相关的化学信息；特征是否覆盖了关键区分维度；训练目标是否与下游任务一致。例如预测水溶性时，极性基团、氢键供受体、拓扑极性表面积等信息至关重要；预测毒性时，特定官能团和反应性片段更关键。数据工程的任务，就是把这些先验转化为图上的节点、边和特征。
学习建议：先掌握“分子→图→特征矩阵→批张量”这条主线，再理解 GNN 的消息传递机制。不要一开始就陷入复杂模型，先把一个乙醇分子手工写成节点特征和边特征，再写代码验证，理解会牢固得多。
本章后续将围绕这条主线展开：先讲分子图的数学定义与化学语义，再讲原子和键的图表示方法，然后进入数据工程的核心任务，最后说明表示学习在分子科学中的整体定位。掌握这些基础后，后续的图神经网络、预训练、生成模型和反应预测才有稳固的落脚点。