📚 课程目录第1章分子图神经网络建模工程导论

1. 分子图神经网络建模工程导论

分子图神经网络（Molecular Graph Neural Network，Mol-GNN）建模工程，是把分子当作图结构、用图神经网络学习其表示，并最终服务于性质预测、分子生成或筛选决策的一整套工程方法。它与“跑通一个模型”有本质区别：工程意味着数据可追溯、特征可复现、训练可监控、结果可解释、上线可维护。本章先建立这门课的全局坐标系——我们要解决什么问题、分子为什么适合用图表示、一个完整的工程流程包含哪些环节、以及这些环节在真实场景中如何落地。

一、课程目标：从“会调包”到“能交付”

本课程的目标不是让你记住某个库的 API，而是让你具备独立完成一个分子性质预测项目的能力。具体来说，学完本课程后，你应当能够：

表示层：把 SMILES、SDF、InChI 等分子格式正确转换为图结构，明确原子、键、电荷、手性、芳香性等信息的处理方式；
模型层：理解消息传递（Message Passing）的数学形式，能根据任务选择 GCN、GIN、MPNN、AttentiveFP 等架构，并解释其归纳偏置；
工程层：搭建可复现的数据划分、训练、评估与超参搜索流程，处理类别不平衡、数据泄漏、分布外泛化等真实问题；
应用层：把模型嵌入到虚拟筛选、ADMET 预测、反应产率预测等实际工作流中，并给出可信度判断。

这四层能力是递进的：没有正确的图表示，再强的模型也学不到化学规律；没有严谨的工程流程，再好的指标也无法复现。

二、分子图表示的核心思想

分子的本质是原子与化学键构成的离散结构，这与图的定义天然吻合。在分子图中，通常约定：

节点（Node）：每个重原子（C、N、O、S、P、卤素等）为一个节点，氢原子可选择显式或隐式处理；
边（Edge）：化学键为边，键级（单/双/三/芳香）作为边特征；
节点特征：原子序数、度、形式电荷、杂化方式、是否在环内、手性标签等；
边特征：键类型、是否共轭、是否在环内、立体化学标记等。

图神经网络的核心操作是消息传递：每个节点聚合邻居节点的特征，更新自身表示，重复若干轮后得到整图表示。用公式概括，第 k 层节点 v 的更新可写为：

m_v^(k) = AGGREGATE({ M(h_v^(k-1), h_u^(k-1), e_uv) : u ∈ N(v) })
h_v^(k) = UPDATE(h_v^(k-1), m_v^(k))
h_G     = READOUT({ h_v^(K) : v ∈ V })

其中 M 是消息函数，AGGREGATE 常用求和、均值或注意力，READOUT 把节点表示汇聚为分子级向量。这个框架的关键在于：它天然满足置换不变性——原子编号顺序不影响结果，这正是分子图应有的对称性。

工程提示：分子图表示中最容易出错的是芳香性和手性。RDKit 默认对芳香环做感知，但不同版本、不同读取参数可能给出不同结果。建议在数据预处理阶段固定 RDKit 版本，并把芳香性判定结果显式写入节点/边特征，而不是依赖模型隐式学习。

三、工程化建模流程

一个可交付的 Mol-GNN 项目，通常包含以下六个阶段。下图展示了从原始分子数据到最终预测服务的完整数据流与关键产物。

这六个阶段不是一次性直线，而是带反馈的闭环。例如在评估阶段发现某类骨架误差显著偏高，往往需要回到图构建阶段补充特征，或回到数据划分阶段调整划分策略。

四、典型应用场景

Mol-GNN 已经在多个方向形成成熟落地路径，下面列举四类最具代表性的场景及其工程要点。

场景	输入	输出	工程要点
ADMET 性质预测	分子图 + 实验标签	溶解度、毒性、渗透性	标签噪声大，需多任务学习与不确定性估计
虚拟筛选	靶点 + 化合物库	活性概率排序	极端类别不平衡，关注富集因子 EF@1%
反应产率预测	反应物 + 条件图	产率回归值	条件编码、反应中心识别、分布外泛化
分子生成与优化	目标性质约束	候选分子结构	与 GNN 打分器耦合，需合成可及性过滤

以 ADMET 预测为例，一个常见的教学示例配置是：使用 TDC 的 Caco-2 渗透性数据集，约 900 个分子，按 Murcko 骨架划分训练/验证/测试（8:1:1），节点特征 39 维、边特征 10 维，模型选用 3 层 GIN，隐藏维度 128，batch size 64，学习率 1e-3，Adam 优化器，训练 200 epoch 并配合早停。评估指标为测试集 RMSE 与 Spearman 相关系数。这些数值属于示例性配置，实际项目中需要根据数据规模和任务难度调整。

常见误区：直接用随机划分评估 ADMET 模型，会因同一骨架的分子同时出现在训练集和测试集而高估性能。对于虚拟筛选和先导优化场景，应优先采用骨架划分（Scaffold Split）或时间划分，才能反映真实泛化能力。

五、本课程的学习路径

后续章节将沿着“表示—模型—训练—评估—应用”的主线展开。你会先动手把一批 SMILES 转成带完整特征的图对象，再实现一个最小可用的消息传递层，然后逐步加入批处理、多任务头、不确定性估计和解释性分析。每一章都会给出可运行的代码片段、示例参数和判断标准，帮助你把知识点转化为可复现的工程能力。

需要强调的是，分子图神经网络不是万能的黑箱。它的优势在于对局部化学环境的建模能力，但面对长程相互作用、立体效应和反应机理时仍有局限。工程化的意义，正是在于通过严谨的数据处理、合理的归纳偏置和诚实的评估，让模型在它擅长的范围内稳定发挥作用，并清楚地知道它的边界在哪里。