4. 分子图特征工程
分子图预测模型的性能上限，往往不由网络结构决定，而由节点与边上的特征决定。分子图把原子视为节点、化学键视为边，但“原子”和“键”本身只是拓扑骨架，真正携带化学信息的是附着其上的属性：这个原子是什么元素、处于什么杂化态、带多少部分电荷、是否手性、是否属于芳香体系；这条键是单键、双键还是芳香键，是否在环上。特征工程的任务，就是把这些化学语义转成模型可读的数值向量，并保证不同分子、不同数据集之间量纲可比。
一、节点特征：从元素到化学环境
最基础的节点特征是原子类型。常见做法是维护一张元素表，用 one-hot 编码表示 C、N、O、S、F、Cl、Br、I、P 等常见元素，其余元素归入“其他”位。one-hot 的维度等于元素类别数，优点是互斥清晰，缺点是维度随元素种类增长。若数据集中元素种类很多，可改用可学习的嵌入向量，把每个元素映射到 16～64 维的稠密向量，让模型自行学习元素间的相似性。
杂化态是第二个关键特征。碳原子的 sp、sp²、sp³ 杂化直接决定键角与成键能力，通常用 one-hot 表示 {SP, SP2, SP3, SP3D, SP3D2, 未指定}。杂化态可由 RDKit 的 GetHybridization() 直接读取，也可由成键数与孤对电子推断。部分电荷则来自 Gasteiger、MMFF94 或半经验量子化学计算，是连续值，通常需要标准化。形式电荷（formal charge）是整数，取值如 -2、-1、0、+1、+2，可用 one-hot 或直接作为标量输入。
手性特征用于区分对映异构体。RDKit 中 FindMolChiralCenters() 可返回手性中心及其 R/S 标记，编码时常用 {R, S, 未指定} 三态 one-hot。芳香性则标记原子是否处于芳香环中，是布尔特征，可由 GetIsAromatic() 获得。此外，原子是否在环上、所属环的大小、是否为氢键供体/受体，也常作为补充节点特征。
二、边特征：键类型与环信息
边特征描述原子间的连接性质。键类型通常编码为 {单键, 双键, 三键, 芳香键} 的 one-hot 向量；若考虑共轭体系，还可加入“是否共轭”布尔位。键是否在环上（IsInRing()）以及键所在最小环的大小，能帮助模型区分开链与环状结构。对于立体化学，双键的顺反构型（E/Z）和单键的楔形/虚线方向也应编码，否则模型无法区分顺反异构体。
环信息除了“是否在环上”，还包括环的数目、环的大小分布、是否共享边（稠合环）、是否为芳香环。这些信息可通过 RDKit 的 GetRingInfo() 获取。对于含多个环的分子，环的拓扑关系（如桥环、螺环）对性质影响显著，可用环的邻接矩阵或环大小直方图作为全局特征。
三、官能团编码与全局特征
官能团是分子性质的强指示器。常见做法是用 SMARTS 模式匹配官能团，例如羟基 [OX2H]、羧基 [CX3](=O)[OX2H1]、氨基 [NX3;H2,H1;!$(NC=O)]、硝基 [NX3+](=O)[O-]、苯环 c1ccccc1。匹配结果可编码为多热向量（multi-hot），每个官能团对应一个维度，出现为 1，否则为 0。若官能团数量较多，也可统计每个官能团的出现次数，形成计数向量。
全局特征则描述整个分子，包括分子量、LogP、TPSA、氢键供体/受体数、可旋转键数、环数、芳香环数、重原子数、形式电荷总和等。这些特征可由 RDKit 的 Descriptors 模块直接计算。它们不依附于某个原子或键，但对溶解性、渗透性、毒性等性质预测非常关键。
四、特征归一化与拼接
不同特征的量纲差异极大：部分电荷可能在 -1 到 1 之间，分子量可达数百，而 one-hot 特征只有 0/1。若直接拼接，连续特征会主导梯度。因此需要对连续特征做标准化，常用 z-score：(x - μ) / σ，其中 μ 和 σ 从训练集统计得到，验证集和测试集复用同一组参数，避免数据泄漏。对于偏态分布的特征（如分子量），可先取对数再标准化。one-hot 和 multi-hot 特征本身已在 0～1 之间，通常不再缩放。
拼接时需注意维度对齐：节点特征向量长度必须一致，边特征同理。若某些分子缺少某类特征（如无手性中心），用全零向量占位，而不是删除该维度。最终节点特征向量可表示为 [元素 one-hot | 杂化 one-hot | 形式电荷 | 部分电荷 | 手性 | 芳香性 | 环信息 | 官能团 multi-hot]，边特征为 [键类型 one-hot | 共轭 | 环上 | 立体标记]。
五、实操示例：苯酚的特征构建
以苯酚（C₆H₅OH）为例，说明特征构建过程。苯环上 6 个碳原子均为 sp² 杂化，GetIsAromatic() 返回 True，形式电荷为 0，Gasteiger 部分电荷在 -0.1 到 +0.1 之间。羟基氧为 sp³ 杂化，部分电荷约 -0.4，氢约 +0.2。手性中心不存在，手性特征全零。环信息方面，6 个碳均在 6 元芳香环上。官能团匹配到羟基和苯环，multi-hot 向量中对应位为 1。全局特征包括分子量 94.11、LogP 约 1.46、TPSA 20.23、氢键供体 1、受体 1、可旋转键 0、芳香环数 1。
拼接后节点特征维度示例为：元素 one-hot（9 维）+ 杂化 one-hot（6 维）+ 形式电荷（1 维）+ 部分电荷（1 维）+ 手性（3 维）+ 芳香性（1 维）+ 环信息（2 维）+ 官能团 multi-hot（20 维）= 43 维。边特征维度为：键类型 one-hot（4 维）+ 共轭（1 维）+ 环上（1 维）+ 立体（3 维）= 9 维。所有连续特征在训练集上计算 μ 和 σ，验证集和测试集直接套用。
特征工程完成后，建议保存一份特征字典（feature dictionary），记录每个维度的含义、类型、标准化参数和缺失值处理方式。这样在推理阶段，新分子可以按照完全相同的流程生成特征向量，保证训练与推理的一致性。分子图特征工程不是一次性工作，而是随着数据集和任务目标不断迭代的过程：先构建基础特征，观察模型表现，再针对性地补充缺失的化学信息。