4. 分子图表示：分子图结构、原子特征、键特征、图邻接矩阵

好，我们进入第四讲。前面我们聊了Transformer的基本套路，也讲了怎么把分子变成序列。但说实话，序列化表示总让我觉得有点别扭——分子明明是三维空间里原子手拉手连起来的网络，硬拉成一串字符，信息多少会有损失。

这节我们就来解决这个问题：直接用图来表示分子。你在做ADMET预测时，分子的性质往往跟局部结构、连接方式、官能团关系更紧密，图结构天然就保留了这些信息。

4.1 分子图：从SMILES到图结构

什么是分子图？说白了，就是你把原子看成节点，把化学键看成边。每个节点带着自己的属性（原子类型、电荷、杂化状态等），每条边也带着自己的属性（键型、是否共轭等）。

那怎么从一个SMILES字符串变成一张图呢？我推荐用RDKit，它可以直接把分子对象转换成一个非常友好的数据结构。

比如乙醇（CCO），它的图结构大概就是：两个碳原子连着，最后一个氧连着第二个碳，然后各自连氢（不过氢原子在大多数分子图里被省略了）。

from rdkit import Chem
from rdkit.Chem import Descriptors

# 读取分子
mol = Chem.MolFromSmiles('CCO')
# 看看原子数
print(f"原子数: {mol.GetNumAtoms()}")
# 看看键数
print(f"键数: {mol.GetNumBonds()}")

# 打印每个原子的信息
for atom in mol.GetAtoms():
    print(f"原子索引：{atom.GetIdx()}， 元素符号：{atom.GetSymbol()}， 度：{atom.GetDegree()}")

输出结果：

原子数: 3
键数: 2
原子索引：0， 元素符号：C， 度：1
原子索引：1， 元素符号：C， 度：2
原子索引：2， 元素符号：O， 度：1

你看，三个原子，两条键。这个图很简单，但它就是建模的基础。对于ADMET任务，分子图的大小一般在20-50个重原子之间，所以后面跑Transformer时，计算量也还好。

4.2 原子特征工程

图建好了，接下来得给每个节点赋特征。你不能光靠一个原子序数去表达所有信息，比如碳在苯环里、在烷基链里、在羰基里，性质差别大了去了。

我个人习惯用一组原子特征向量，这些特征来自RDKit直接能取的属性，基本不需要额外计算。对于ADMET预测，以下9维特征是我觉得比较靠谱的基础配置：

这些特征加起来大约20维左右。你想想看，每个原子用20维向量描述，50个原子的分子就是50×20的节点特征矩阵。对Transformer来说，这个规模很舒服。

4.3 键特征：你不能忽视的连接属性

原子特征搞定了，但光有原子还不够。单键和双键的旋转能力不一样，芳香键和酰胺键的电子性质也完全不同。如果不把键的特征编码进去，模型会学成一个刚性分子团，毫无化学活性可言。

键特征相对简单，一般5-6维就够了：

• 键型：单键、双键、三键、芳香键 — 独热编码4维
• 是否共轭：布尔值，1维，这对π-π堆积效应很关键
• 是否在环中：布尔值，1维，决定键的柔性
• 立体构型：无双键立体、顺式、反式 — 独热编码3维（有时候省略）

我来写段代码演示一下：

def get_bond_features(bond):
    """提取一条化学键的特征"""
    bond_type = bond.GetBondType()
    bt_dict = {
        Chem.rdchem.BondType.SINGLE: 0,
        Chem.rdchem.BondType.DOUBLE: 1,
        Chem.rdchem.BondType.TRIPLE: 2,
        Chem.rdchem.BondType.AROMATIC: 3
    }
    # bond type one-hot
    bt_vec = [0, 0, 0, 0]
    bt_vec[bt_dict.get(bond_type, 0)] = 1
    # conjugate
    conj = 1 if bond.GetIsConjugated() else 0
    # in ring
    in_ring = 1 if bond.IsInRing() else 0
    return bt_vec + [conj, in_ring]

# 例子：乙醇分子
mol = Chem.MolFromSmiles('CCO')
for bond in mol.GetBonds():
    print(f"键 {bond.GetBeginAtomIdx()}-{bond.GetEndAtomIdx()} : {get_bond_features(bond)}")

输出：

键 0-1 : [1, 0, 0, 0, 0, 0]
键 1-2 : [1, 0, 0, 0, 0, 0]

乙醇全是单键、非共轭、不在环里，所以前4位是[1,0,0,0]，后面是[0,0]。

4.4 图邻接矩阵：定义分子拓扑的核心

有了节点，有了边特征，剩下的就是告诉模型：哪些节点之间有连接。这就是邻接矩阵。对于一个有N个原子的分子，邻接矩阵是一个N×N的矩阵A。如果第i个原子和第j个原子之间有键，A[i][j] = 1（或者某种边的权重），否则为0。

不过我们在Transformer中使用图时，邻接矩阵一般不是直接送给Self-Attention的，而是用来生成掩码（mask）或者图位置编码（Graph Laplacian Positional Encoding）。当然，也有些变体把邻接矩阵当成Soft Attention的偏置项送进去。

实际编码时，我一般使用稀疏表示，因为分子图很少有全连接的稠密矩阵：

def compute_adjacency_matrix(mol):
    n = mol.GetNumAtoms()
    adj = [[0] * n for _ in range(n)]
    for bond in mol.GetBonds():
        i = bond.GetBeginAtomIdx()
        j = bond.GetEndAtomIdx()
        adj[i][j] = 1
        adj[j][i] = 1  # 无向图
    return adj

mol = Chem.MolFromSmiles('CCO')
adj = compute_adjacency_matrix(mol)
for row in adj:
    print(row)

输出：

[0, 1, 0]
[1, 0, 1]
[0, 1, 0]

一个简洁的链式连接。C0连C1，C1连O2。这种矩阵在后续做图注意力、图卷积时都非常直接。

4.5 本章知识体系总览

为了让你看得更清楚，我画了一张结构图，把整个分子图表示的流程串起来：

这张图把整个过程串得很清楚。你从SMILES出发，并行提取三个视图（原子、键、连接关系），最后拼成完整的图结构。下一步你学Graph Transformer的时候，本质上就是在处理这个三重组合。

嗯，这一节的核心内容就是这些。我建议你回去自己拿10个常见分子练习一下，把它们的原子特征矩阵和邻接矩阵都算出来。练完这步，后面的图Transformer你上手会非常快。