1. 分子性质预测任务与图网络工程概览
分子性质预测是计算化学与人工智能交叉领域中最具工程价值的问题之一。它的核心目标是：给定一个分子的结构表示，建立一个从结构到性质的映射函数，使得对于未见过的分子，也能以可接受的误差预测其关键理化或生物性质。与传统的量子化学计算相比，分子性质预测模型追求的是在精度与效率之间取得平衡——用量子化学方法（如DFT）计算一个中等大小分子的性质可能需要数小时到数天，而训练好的图神经网络模型可以在毫秒级完成一次前向预测。
一、常见分子性质类型
分子性质预测任务覆盖的范围非常广，从最基础的理化参数到复杂的生物活性，都可以纳入统一的学习框架。常见的性质类型包括：
- 量子化学性质：如HOMO-LUMO能隙、偶极矩、原子化能、电子亲和能等。这类性质通常有明确的物理定义，且可以通过DFT等第一性原理方法获得高精度标签，是图网络模型最经典的训练目标。
- 药物相关性质：如脂水分配系数（LogP）、水溶性（LogS）、血脑屏障穿透性（BBB）、人体口服吸收率（HIA）、毒性（hERG阻断、肝毒性）等。这类性质直接关系到药物分子的成药性评估。
- ADMET性质：吸收、分布、代谢、排泄和毒性，是药物开发早期筛选的核心指标集合。
- 材料相关性质：如带隙、形成能、离子电导率、玻璃化转变温度等，常用于新材料发现与筛选。
这些性质的共同特点是：它们都由分子的化学结构决定，但决定方式往往高度非线性，且受到电子结构、空间构型、分子间相互作用等多层次因素的影响。这正是图神经网络能够发挥优势的场景。
二、图神经网络在分子建模中的定位
分子天然就是图结构：原子是节点，化学键是边。这种表示方式比SMILES字符串更接近分子的物理本质，也比分子指纹（如Morgan指纹、MACCS密钥）保留了更丰富的结构信息。图神经网络（GNN）通过消息传递机制，让每个原子节点聚合其邻居的信息，逐层更新自己的表示，最终通过读出函数得到整个分子的向量表示，再接入预测头输出目标性质。
与传统的分子描述符方法相比，GNN的优势在于：
- 端到端学习：不需要人工设计特征，模型直接从图结构中学习表示。
- 局部性与可迁移性：消息传递是局部操作，学到的化学环境表示可以迁移到不同大小的分子上。
- 可扩展性：通过引入边特征、三维坐标、电荷信息等，可以灵活地融入更多化学先验。
但GNN并非万能。对于需要全局电子结构信息才能准确预测的性质（如某些激发态性质），纯局部消息传递可能不够，需要引入全局注意力或与量子化学方法结合。工程中需要根据目标性质的特点选择合适的模型架构。
三、工程化流程的核心环节
从工程视角看，一个完整的分子性质预测系统远不止“搭一个GNN模型”这么简单。它包含以下关键环节：
数据层：分子数据的来源多样，包括公开数据集（如QM9、MoleculeNet、ChEMBL、PubChem）和自建实验数据。数据层需要处理的问题包括：SMILES标准化与去重、标签一致性校验、缺失值处理、数据划分策略（随机划分 vs. 骨架划分 vs. 时间划分）。其中骨架划分（scaffold split）是评估模型泛化能力的关键手段，它确保测试集中的分子骨架在训练集中未出现过，更接近真实药物发现场景。
特征层：节点特征通常包括原子类型（one-hot或embedding）、度、形式电荷、杂化方式、是否在环中、手性标签等。边特征包括键类型（单键、双键、三键、芳香键）、共轭性、是否在环中、键长（若有3D坐标）。工程中需要根据目标性质决定是否引入3D构象信息——对于依赖空间构型的性质（如手性活性），3D坐标至关重要。
模型层：主流架构包括GIN（图同构网络）、GCN（图卷积网络）、MPNN（消息传递神经网络）、AttentiveFP（注意力指纹）等。选择依据包括：目标性质是否需要区分同分异构体（GIN的表达能力更强）、是否需要捕捉长程相互作用（注意力机制更合适）、计算资源约束等。
训练与评估层：损失函数的选择取决于性质类型——回归任务常用MSE或Huber损失，分类任务用交叉熵。评估指标需要与业务目标对齐：对于药物筛选，早期富集因子（EF）和AUC可能比RMSE更重要；对于材料性质预测，MAE和R²是常用指标。此外，还需要关注模型的校准性（calibration）和不确定性量化能力。
部署与迭代层：训练好的模型需要封装为可调用的服务，支持批量预测和单分子实时预测。工程中还需要建立数据回流机制：将实际使用中遇到的新分子及其实验验证结果反馈到训练集中，持续迭代模型。
四、课程项目说明
本课程将围绕一个贯穿始终的项目展开：基于QM9数据集的分子量子化学性质预测。QM9包含约13.4万个有机小分子，每个分子提供16个量子化学性质标签（包括HOMO、LUMO、能隙、偶极矩、内能等）。选择QM9作为项目载体，原因有三：数据规模适中、标签质量高（DFT计算）、性质类型丰富，适合系统性地练习从数据预处理到模型部署的完整流程。
项目将分为五个阶段推进：
- 数据准备阶段：下载QM9数据，解析SDF文件，构建PyG（PyTorch Geometric）数据集对象，实现骨架划分。
- 基线模型阶段：实现一个简单的GCN或GIN模型，在HOMO-LUMO能隙预测任务上建立基线性能。
- 模型改进阶段：引入边特征、跳跃连接、注意力机制，对比不同架构的性能差异。
- 训练优化阶段：调整学习率策略、批量大小、正则化强度，分析过拟合与欠拟合现象。
- 评估与部署阶段：在测试集上评估最终模型，分析误差分布，导出模型并进行推理性能测试。
通过本课程的学习，你将掌握分子图数据的处理方式、主流GNN架构的实现细节、训练过程中的调参策略，以及如何将模型从实验环境推进到可用的工程系统。这些能力不仅适用于分子性质预测，也可以迁移到更广泛的图数据建模任务中。