基础回顾（一）：分子结构与图表示

做药物发现的朋友都知道，分子本质上就是一个图。你想想看，原子是节点，化学键是边——这不就是天然的图结构吗？我刚开始接触这个领域的时候，觉得把分子画成图是多此一举。后来踩了不少坑才明白，图的视角能帮我们用数学语言描述分子，这才是GNN能干QSAR的关键。

分子图构建的基本概念

一个分子图包含两个核心元素：节点和边。节点就是原子，边就是化学键。但这里有个细节要注意：不是所有键都一样。单键、双键、三键、芳香键，它们的性质完全不同。

我在项目中遇到过这样的情况：直接用0/1表示有没有键，结果模型死活学不好。后来加上了键的类型编码，准确率直接提升了8%。所以说，特征编码不是小事。

概念	定义	我的备注
节点（原子）	分子中的每个原子	注意区分重原子和氢，氢原子经常被省略
边（化学键）	原子间的连接关系	单键、双键、三键、芳香键要分开编码
邻接矩阵	描述节点连接关系的矩阵	对称矩阵，对角线为0
特征矩阵	每个节点的属性向量	原子类型、杂化方式、电荷等

为什么要构建邻接矩阵？因为GNN的传播机制就是靠它来聚合邻居信息的。没有邻接矩阵，图卷积就没法做。嗯，这里要注意邻接矩阵的稀疏性——一个分子通常只有几十个原子，但完全连接的矩阵会有大量0。用稀疏矩阵存储是基本操作。

原子与键的特征编码

特征编码，说白了就是把原子和键的各种性质转化为向量。我常用的原子特征包括：

• 原子类型：C、N、O、S、F等，一般用one-hot编码
• 原子度数：连接的邻居数量
• 氢原子数：隐式或显式氢的数量
• 轨道杂化：sp、sp2、sp3等
• 芳香性：原子是否在芳香环中
• 形式电荷：原子的净电荷
• 原子质量：整数原子质量

键的特征相对简单一些：

• 键的类型：单键(1)、双键(2)、三键(3)、芳香键(1.5)，我习惯用one-hot
• 共轭性：键是否在共轭体系中
• 环状性：键是否属于环
• 立体构型：Z/E构型等

你可能会问：这些特征怎么提取？用RDKit就行。

from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles('c1ccccc1C(=O)O')
# 获取原子特征
for atom in mol.GetAtoms():
    features = [
        atom.GetAtomicNum(),        # 原子序数
        atom.GetDegree(),           # 度数
        atom.GetTotalNumHs(),       # 氢原子数
        atom.GetHybridization(),    # 杂化方式
        atom.GetIsAromatic(),       # 芳香性
        atom.GetFormalCharge(),     # 形式电荷
        atom.GetMass()              # 原子质量
    ]
    print(features)

# 获取键特征
for bond in mol.GetBonds():
    bond_type = bond.GetBondType()
    features = [
        bond.GetBeginAtomIdx(),
        bond.GetEndAtomIdx(),
        int(bond_type),             # 键类型
        bond.GetIsConjugated(),     # 共轭性
        bond.IsInRing()             # 环状性
    ]
    print(features)

这里要注意：每种特征最好归一化到0-1范围。我曾经在特征编码这一步偷懒，直接把原子序数当特征丢进去...结果模型完全收敛不了。为什么呢？因为原子序数差的量级太大（1到80+），而度数只有1到6，模型肯定学偏。

从分子到图的完整映射

我们来看一个实际例子。水分子H₂O：

# 水分子示例
smiles = 'O'
mol = Chem.MolFromSmiles(smiles)

# 节点：3个原子（1个O，2个H）
# 节点特征矩阵 shape: (3, feature_dim)
# 比如氧的原子序数=8，氢的原子序数=1

# 边：2个O-H单键
# 邻接矩阵 shape: (3, 3)
# [[0, 1, 1],
#  [1, 0, 0],
#  [1, 0, 0]]

# 边特征矩阵 shape: (2, edge_feature_dim)
# 两个键都是单键，one-hot编码为 [1,0,0,0]

这个映射过程看起来简单，但扩展到几十个原子的分子就不一样了。我在做活性预测项目时，经常处理500+原子的分子。邻接矩阵直接变成500x500，特征矩阵也大得吓人。这时候必须用批量处理和填充(padding)技术。

总结一下，分子图构建就是两件事：提取原子特征、提取键特征、拼成邻接矩阵和特征矩阵。这两件事做好了，GNN才能发挥作用。我在做QSAR项目时，光是特征编码就迭代了5个版本，才找到通用性最强的那一套。

嗯，这里要强调一点：特征编码没有银弹。不同的任务（溶解度 vs 毒性 vs 活性）对特征的敏感度不一样。我的建议是：先跑一个基线模型，然后再逐步加特征，看看每个特征对性能的影响。