📚 课程目录第3章分子图数据表示

分子图数据表示：一场从化学结构到机器学习的翻译

做分子图深度学习，说白了就是让计算机看懂化学结构。但计算机不懂“苯环”“羰基”这些概念，它只认得数字。所以我们需要一套严格的翻译规则——把原子、化学键乃至整个分子的信息，编码成计算机能处理的特征向量。

我记得自己第一次做分子属性预测时，以为直接把SMILES扔进模型就行了——嗯，结果当然是一塌糊涂。后来才明白，特征表示才是图神经网络的灵魂。搞不定特征，再好的模型架构也是白搭。

这一节我们就来拆解分子图的三层特征：原子特征（节点）、键特征（边）和全局特征（图级别）。这是构建分子图的基石，也是后续GNN模型最底层的输入。

原子特征：给每个节点贴上标签

原子是分子图的节点。每个节点需要携带足够的信息，来描述“这个原子是什么、处于什么状态”。

我个人习惯把原子特征分成三类：

身份特征：原子类型、周期表中的位置
电子特征：杂化方式、形式电荷、孤对电子数
拓扑特征：连接原子数（度）、是否在环上

实际项目中，最常用的原子特征组合是这样的：

特征名称	描述	常见编码方式	维度（示例）
原子类型	C, N, O, S, F, Cl, Br, I, P... 前9-10种常见元素	One-hot	9
度（Degree）	该原子连接的化学键数量（氢键除外）	One-hot（0~5或更多）	6
形式电荷	原子在分子中的电荷状态，常见 -1, 0, 1	One-hot	3
杂化类型	sp, sp², sp³	One-hot	3
氢原子数目	连接该原子的氢原子个数	One-hot（0~4或直接数值）	5
芳香性	是否在芳香环中	布尔值（0或1）	1
在环中	是否在任意环结构中	布尔值	1

来看一个具体的编码例子。假设我们有一个碳原子（C），sp²杂化，形式电荷为0，连接3个原子（度=3），带1个氢，不在芳香环中。它的特征向量大概长这样：

原子类型:    [1, 0, 0, 0, 0, 0, 0, 0, 0]  # C是第一个
度:          [0, 0, 0, 1, 0, 0]          # 度=3 -> 第4位为1
形式电荷:    [0, 1, 0]                    # 0 -> 中间
杂化:        [0, 1, 0]                    # sp² -> 中间
氢原子数:    [0, 1, 0, 0, 0]             # 1个H -> 第2位
芳香性:      [0]                          # false
在环中:      [0]                          # false

完整拼接：22维浮点向量

避坑指南：我曾经在项目中把所有原子特征都用了One-hot编码，结果模型训练特别慢。后来发现像“氢原子数目”这样的特征，直接用归一化的数值输入效果反而更好。实验前建议先做个小测试——One-hot vs 数值编码，哪个对下游任务更友好。

键特征：边的信息同样重要

光有节点还不够。原子之间怎么连接的？单键还是双键？顺反异构怎么区分？这些信息要编码在边上。

键特征往往被初学者忽略，但实战中它经常是模型性能的关键。我做过一个手性分子识别项目，一开始只用键序（单、双、三），模型死活分不清对映体。加上立体化学特征后，准确率直接从70%跳到了92%。

最常见的键特征：

键序：单键=1，双键=2，三键=3，芳香键=1.5
共轭性：是否处于共轭体系
环内键：是否在环中
立体化学：顺式（Z）、反式（E）、无指定
键长（可选）：通常归一化后使用

用JSON来表示分子图数据，是最常见的存储格式：

{
  "atoms": [
    {"element": "C", "hybridization": "sp2", "charge": 0, "degree": 3, "h_count": 1, "in_ring": false},
    {"element": "O", "hybridization": "sp2", "charge": 0, "degree": 1, "h_count": 0, "in_ring": false}
  ],
  "bonds": [
    {"src": 0, "dst": 1, "order": 2, "conjugated": false, "in_ring": false, "stereo": "none"},
    {"src": 0, "dst": 2, "order": 1, "conjugated": false, "in_ring": false, "stereo": "none"}
  ]
}

注意：立体化学的编码比较微妙。有些任务用3位One-hot：[Z, E, 无指定]；有些则直接用一个取值范围[-1, 0, 1]的数值。我个人倾向于前者，因为布尔型的特征在模型里学习起来更直接。不过遇到手性分子多的数据集，我会额外加一个“是否存在手性中心”的全局特征。

曾经踩过的坑：在编码芳香键时，我用了默认键序1.5。结果模型在预测某些环状分子的性质时误差特别大。原因是RDKit默认的芳香键是1.5，但有些模型库（比如DGL的SchNet）预期输入是整数键序。最后我不得不加了一层预处理：遇到芳香键时拆分成单键+双键交替。这种细节差异，换框架就得查一遍，不是某一家的问题。

全局特征：整个分子的肖像

有些性质，只看原子和键是看不出来的。比如分子量、辛醇-水分配系数（logP）、拓扑极性表面积（TPSA）。这些是全局特征，附加到整个图上，不是某个节点或边上。

常见的全局特征：

特征	意义	来源
分子量	所有原子质量之和	计算
LogP	脂溶性，药物化学经典指标	RDKit计算或实验值
TPSA	极性表面积，与吸收相关	RDKit
可旋转键数	分子柔性指标	RDKit
氢键供体/受体数	影响溶解性和靶点结合	RDKit
芳香环数	芳香体系复杂度	计算

全局特征怎么用？常见做法有两种：

嵌入到图表示中：作为额外的输入向量，和图神经网络输出的节点表示拼接
作为辅助监督：多任务学习中，让模型同时预测分子属性和全局特征，提升表征质量

我个人更推荐第二种。不过要注意：全局特征和目标任务不能太相关，否则模型会偷懒，只靠全局特征猜测，忽略图结构信息。比如预测溶解度时，把LogP作为额外输入，模型可能就不学原子间的交互模式了——反而导致泛化能力下降。

特征组合策略：不是越多越好

你可能会想：那就把所有能算的特征都怼进去呗。可别这么干。特征维度爆炸会带来几个问题：

模型参数量激增，小数据集上容易过拟合
冗余特征混淆学习信号，降低泛化能力
训练速度下降，每个batch传递的数据量变大

那我怎么选？先说一个我自己总结的经验法则：

根据任务类型判断：分类任务优先原子类型+键序+全局LogP；回归任务注意特征归一化
先跑一个基线模型（只用最基本特征），再看加特征后性能是否提升
如果特征加了一堆但性能没涨，就是白加——果断砍掉

另外，不同框架对特征顺序有默认要求。比如PyTorch Geometric（PyG）的GINConv，希望节点特征在第一维；DGL的GATConv则默认特征在最后一维。写代码前一定要读文档，不然维度错位排查起来极其痛苦——我就在这上边浪费过整整两天。