第 4 章：分子指纹与图神经网络基础

做ADMET预测，说白了就是给分子做“性格测试”。

但你得先能用计算机懂的语言描述这个分子。嗯，这就涉及到特征提取。业界常用的两种方法——分子指纹和图神经网络，各有各的脾气。我个人习惯把指纹比作“快照”，把GNN比作“关系网”。

4.1 分子指纹：老派但管用

分子指纹就是用一个固定长度的位向量，来描述分子的结构信息。我在项目中遇到最多的就是Morgan指纹，也叫圆形指纹。它通过枚举原子周围的环境来产生特征，速度快，效果好。

常用的指纹类型：

指纹名称	特点	ADMET适用性
MACCS	166个预定义结构片段	骨架识别，但丢失细节
Morgan (ECFP)	基于原子邻域的圆形指纹	分布式表示，应用最广
RDKitFP	对ECFP做了路径优化	更适合小分子
AtomPairs	记录两原子间的距离和类型	拓扑距离敏感

用RDKit生成指纹很简单，一行搞定：

from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles('CC(C)C(=O)O')
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=2048)
print(fp.ToBitString()[:64] + '...')

但要注意，指纹是离散的。你想想看，它把一个连续的化学空间硬生生压成2048位二进制。这中间信息损失是必然的。我曾经吃过这个亏——把指纹长度从512调到4096，模型反而过拟合了。说白了，不是越长越好。

4.2 图神经网络：分子的关系网

图神经网络是这几年火起来的方法。它把原子当作节点，化学键当作边，然后在图上做消息传递。为什么会这样？因为分子本质上就是个图结构，何必硬压成一维向量？

核心思路很简单：

1. 初始化每个原子的特征向量
2. 聚合邻居原子的消息
3. 更新当前原子的表示
4. 重复K步，得到整个图的表示

我常用的GNN框架是PyTorch Geometric。一个基础的GIN（图同构网络）长这样：

import torch
import torch.nn.functional as F
from torch_geometric.nn import GINConv, global_mean_pool

class GINPredictor(torch.nn.Module):
    def __init__(self, num_features, hidden_dim=64, num_layers=3):
        super().__init__()
        self.convs = torch.nn.ModuleList()
        for _ in range(num_layers):
            mlp = torch.nn.Sequential(
                torch.nn.Linear(num_features, hidden_dim),
                torch.nn.ReLU(),
                torch.nn.Linear(hidden_dim, hidden_dim)
            )
            self.convs.append(GINConv(mlp))
        self.fc = torch.nn.Linear(hidden_dim, 1)  # ADMET预测通常是回归或二分类

    def forward(self, x, edge_index, batch):
        for conv in self.convs:
            x = conv(x, edge_index)
            x = F.relu(x)
        x = global_mean_pool(x, batch)  # 全局池化
        return self.fc(x)

这个模型你想想看，本质上是在学“什么样子的原子排列会导致高毒性或低清除率”。我在一个肝脏毒性预测项目里，用三层GIN比传统指纹的AUC高了接近8个点。

4.3 怎么选？什么场景用什么

没有银弹。这是一个很实际的问题：

场景	推荐方案	理由
快速筛选数万分子	ECFP + 随机森林	计算快，内存友好
对骨架新颖性要求高	GIN/GCN	能泛化到没见过的新片段
异构数据集（含蛋白结构）	GNN + 注意力机制	能利用药物-靶标结构信息

当然，你也可以把指纹和GNN结合起来。我个人喜欢用GNN学特征，再拼接上已知的药化规则（比如Lipinski五规则）。这不是什么高深技术，但实战效果往往比纯深度学习好。

4.4 知识体系总览

下面这张SVG图梳理了这一章的核心。从分子输入到任务输出，指纹和GNN分属两条路线，各有各的适用阶段。

4.5 避坑与调参建议

实战中你可能会遇到这些坑：

• 指纹维数灾难：我曾经把位长开到8192，模型直接崩了。嗯，内存扛不住，训练也慢。建议从1024开始逐步往上调。
• GNN过平滑：层数超过4层，所有节点的表示趋于一致。你想想看，这还学个什么？ADMET数据通常2~3层就够。
• 消息传递并行化：分子大小不一。记得用torch_geometric.data.DataLoader的follow_batch选项，否则GPU利用率上不去。

嗯，这一章就到这里。先把特征工程这一步稳住，后面调参才有的放矢。