📚 课程目录第2章分子图表示基础

分子图表示基础：原子、键、图结构

好了，咱们正式开始第二讲。上一章我们聊了ADMET是什么，以及为什么图神经网络（GNN）特别适合干这活。这一章，我们来夯实最底层的地基——分子图到底是怎么表示的。

说白了，GNN 本质上是在图上做运算。你给模型输入的不是SMILES字符串，也不是分子指纹，而是一个图。这个图由什么构成？核心就是两点：节点（原子）和边（化学键）。如果你连这个结构都构造错了，后面模型性能再好也是空中楼阁。

2.1 原子特征：节点里到底放了什么信息

我在项目中遇到过不少新手，一上来就问：“原子特征是不是就写个原子序号？”嗯，没那么简单。一个原子在图里作为一个节点，它需要携带足够多的信息，让模型知道“我是什么、我在哪、我周围环境如何”。

常用的原子特征可以分为几大类。我习惯把它们归纳成一张表，方便你做特征工程时对照。

特征类型	具体属性	我的个人习惯
身份特征	原子种类（C、N、O……）、周期、族、原子质量	必须加。One-hot 编码或嵌入都行。
拓扑特征	度数（相连原子数）、隐式氢数、形式电荷	强相关。氢数别漏，很多ADMET性质跟氢键有关。
杂化与立体特征	杂化方式（sp³/sp²/sp）、手性标记、是否是芳香环原子	你想想看，芳香性对Caco-2渗透性影响多大？必须加。
化学环境特征	是否在环内、是否在侧链、与电负性原子的距离	高级特征，算力允许再上。我在做CYP450预测时加过。

我的避坑指南： 我曾经在一个项目里，只用了一组稀疏的one-hot原子类型（C、N、O、S），结果模型在含卤素（F、Cl、Br）的分子上全崩了。后来我才意识到，卤素的电负性和氢键受体能力很强，对ADMET影响巨大。从那以后，我建议原子类型覆盖到常见的所有重原子，至少包括C、N、O、S、P、F、Cl、Br、I。

代码实现上，我一般用 RDKit 来提取特征。RDKit 的 rdkit.Chem.rdchem.Atom 对象把大部分属性都封装好了。关键代码片段大概长这样：

from rdkit import Chem

# 以SMILES为例，解析分子
mol = Chem.MolFromSmiles("c1ccccc1O")
atom = mol.GetAtomWithIdx(0)  # 获取第0号原子

# 核心特征提取
atomic_num = atom.GetAtomicNum()        # 编号，如6表示C
degree = atom.GetDegree()              # 度数
implicit_h = atom.GetNumImplicitHs()   # 隐式氢数
hybridization = atom.GetHybridization() # 杂化状态
is_in_ring = atom.IsInRing()           # 是否在环内

注意，上面这些只是初步特征。你还需要把这些数值转化成向量。比如原子序数6，你会做成一个长度为约30的one-hot向量；杂化状态是枚举值，也需要one-hot。我习惯把所有标量特征直接拼接进节点特征矩阵，维度通常在40~100之间，看你选了多少属性。

2.2 键的特征：边不仅仅是连接关系

原子之间的边，如果只用一个布尔信号（连/不连）那就太亏了。化学键本身有丰富的信息，比如键级（单键、双键、三键、芳香键）、是否共轭、是否在环内。这些信息同样需要编码成药。

你可能会问：“键的特征对ADMET预测有用吗？”太有用了。举个例子：共轭键会影响紫外吸收（导致光毒性），双键数量会影响氧化代谢的难易程度。我在做hERG活性预测时，把键级和芳香性加入边特征后，模型的AUC直接提升了3个百分点。嗯，这个坑我踩过，所以现在特别重视。

常用的边特征有这些：

键的类型：single、double、triple、aromatic（芳香键）。最好用one-hot。
是否共轭：布尔值，但很多预测任务中很重要。
是否在环内：环上的键通常刚性更强，影响分子构象。
立体化学：顺反异构（如果涉及，通常用于手性分子的ADMET差异）。

提取键特征的代码也很直接：

bond = mol.GetBondWithIdx(0)  # 获取第0号键
bond_type = bond.GetBondType()           # 键类型枚举
is_conj = bond.GetIsConjugated()         # 共轭标志
is_ring_bond = bond.IsInRing()           # 环内标志

有了节点和边的特征，图的基本骨架就有了。下一步，就是把这些拼成一个标准的图结构数据，喂给GNN。

2.3 图结构的构建：从分子到图的无缝转换

现在你手里有了原子列表和键列表，接下来要做的就是构造一个邻接矩阵或者边索引列表。在GNN里，我们更常用后者——边索引（edge index），也就是一个大小为 [2, num_edges] 的张量，每一列表示一条边从哪个节点到哪个节点。

令我印象深刻的是，有次我在处理一个大型数据集时，边的方向搞反了，导致消息传递时特征流串位。所以我建议：如果你用的是无向图（默认就是无向图），记得把边复制一份，源-目标互换，保证双向都有。大多数GNN框架（如PyG、DGL）都会自动处理，但自己手工构建时候得小心。

    图中图的关键点： 每个分子的图大小不一样（原子数不同），所以你不能用固定尺寸的张量。GNN一般通过批处理（batching）来解决——把多个小图拼成一个大的稀疏图。PyG的DataLoader会自动帮你完成，你只需要保证每个Data对象包含x（节点特征）、edge_index（边索引）、y（标签）即可。

下面这个代码片段，完整演示了如何用RDKit把一个SMILES分子转成PyG支持的图数据：

import torch
from torch_geometric.data import Data
from rdkit import Chem

def mol_to_graph(smiles: str):
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return None

    # 1. 提取原子特征（假设有个函数 get_atom_features）
    atom_features = []
    for atom in mol.GetAtoms():
        f = get_atom_features(atom)
        atom_features.append(f)
    x = torch.tensor(atom_features, dtype=torch.float)

    # 2. 提取边索引和边特征
    edge_index = []
    edge_attr = []
    for bond in mol.GetBonds():
        i = bond.GetBeginAtomIdx()
        j = bond.GetEndAtomIdx()
        edge_index.append([i, j])
        edge_index.append([j, i])  # 无向图双向
        bond_feat = get_bond_features(bond)
        # 边特征双向相同
        edge_attr.append(bond_feat)
        edge_attr.append(bond_feat)

    edge_index = torch.tensor(edge_index, dtype=torch.long).t().contiguous()
    edge_attr = torch.tensor(edge_attr, dtype=torch.float)

    # 3. 组装Data对象
    data = Data(x=x, edge_index=edge_index, edge_attr=edge_attr)
    return data

嗯，这里要注意：edge_index 的shape必须是 [2, num_edges]，PyG 对这个很严格。另外 edge_attr 如果是可选的，但加上远比不加好——能让消息传递层学到更丰富的键环境。

2.4 完整图结构示例与SVG

为了让你更直观地理解，我画了一张图来展示一个简单分子（对甲酚，HOC₆H₄CH₃）是如何表示成图数据的。SVG 里我把原子编号标出来了，每条边都有双向箭头，嗯，这就是模型看到的原始输入。

在图中，每一个原子都被赋予一个特征向量，每一条边也同样带着键特征。GNN 的“消息传递”就是沿着这些双向边，把邻居的特征传播到中心节点，然后更新节点表示。你想想，如果我们能让每个原子感知到它周围几层原子的信息（通过多层网络），那么整个分子的全局性质（比如 logD、溶解度、毒性）就能被模型捕捉到。

2.5 常用工具库与数据格式

做ADMET落地，你得熟悉几个主流工具库。我用得最多的组合是：RDKit + PyTorch Geometric (PyG) 或 DGL。RDKit 负责从 SMILES 或 SDF 里提取分子级信息，PyG/DGL 负责构造和训练图神经网络。

一个典型的分子数据格式是这样的——以 PyG 的 Data 对象为例：

Data(
    x=[num_nodes, node_feat_dim],         # 节点特征
    edge_index=[2, num_edges],            # 边索引（双向）
    edge_attr=[num_edges, edge_feat_dim], # 边特征（可选）
    y=[num_tasks]                         # 标签（如hERG值、Caco-2值）
)

如果我用DGL，图结构的表示稍有不同，但本质一样：

import dgl

g = dgl.graph((src_ids, dst_ids))   # 传入边源-目标节点编号
g.ndata['feat'] = node_features     # 节点特征
g.edata['feat'] = edge_features     # 边特征

重要提醒： 图是稀疏的，千万别随便用稠密邻接矩阵去存？一个分子几十个原子，邻接矩阵顶多100x100，稀疏表示占用内存小得多，而且配合GNN的稀疏算子（如 scatter、segment）能大幅提升训练速度。我曾见过有团队强行用稠密矩阵存百万分子，内存直接爆了——这显然不是聪明的做法。

2.6 总结：这一章你需要记住的核心

分子图由原子节点和化学键边构成，两者都包含丰富的化学特征。
节点特征包括原子种类、度数、杂化、电荷、环信息等；边特征包括键级、共轭、环内标志等。
图必须表示为无向图，边索引双向，才能正确进行消息传递。
实际编码时，先用 RDKit 提取原子和键的原始信息，再转成 PyG/DGL 的图数据对象。
别忘了批处理——不同分子图节点数不同，利用框架的 DataLoader 自动拼图。