二、分子图结构简介

好，我们开始进入正题。讲 Transformer 之前，你得先搞清楚它要处理的对象——分子图长什么样。说白了，分子图就是把一个化学分子表示成计算机能读懂的图结构。我当年刚接触这个方向时，觉得这步挺 trivial 的，不就是画个结构式吗？后来做模型实验才发现，图构建的细节直接决定了后面编码器的上限。嗯，咱们慢慢拆。

2.1 图的基本定义

图（Graph）由两部分组成：顶点集合 V 和边集合 E。通常记作 G = (V, E)。每个顶点可以带有自己的属性，每条边也可以带有属性。在分子场景下，顶点就是原子，边就是化学键。

你可能想问：为什么不直接用 SMILES 字符串？SMILES 本质上是一维序列，丢失了原子间的空间连接关系。图保留了拓扑结构，这是 Transformer 能充分利用分子信息的关键。我个人习惯把分子图看成「带属性标签的拓扑骨架」，后面的特征学习都要基于这个骨架展开。

2.2 节点与边

节点对应原子。每个原子至少需要知道它的元素种类、价态、形式电荷、是否为环成员等。我做过一个项目，只用了元素类型和杂化态两个特征，结果模型对芳香性分子的预测一塌糊涂。后来才意识到，苯环上的碳原子如果不标记环信息和共轭状态，模型根本分不清单双键交替的结构。

边对应化学键。常见的键型有单键、双键、三键、芳香键。有些任务还会把键长、键角也作为边特征，不过主流做法是只保留键型。还有一个容易被忽略的点：键的方向性（有向图 vs 无向图）。分子键本质上是无向的，但有些 Transformer 变体会把边做成双向，分别存储信息。

2.3 特征矩阵

有了图结构，怎么喂给神经网络？答案是特征矩阵 + 邻接矩阵。

• 邻接矩阵 A：大小为 N×N（N为原子数），A[i][j] 表示 i 和 j 之间有边。对于分子图，通常用 0/1 表示是否有键，也可以把键类型编码成小整数（如 1=单键，2=双键，3=三键，4=芳香键）。
• 节点特征矩阵 X：大小为 N×d，d 是每个原子的特征维度。每一行是该原子的特征向量。

举个例子。乙醇分子 C2H6O，化学式通常写成 CH3CH2OH。它有 9 个原子（2C, 6H, 1O）。但为了画图清晰，我通常省略氢原子（称为重原子图），只用 C、C、O 三个节点。重原子图的邻接矩阵是 3×3，特征矩阵是 3×d。

我早期犯过一个低级错误：把原子序号排布顺序搞乱了，导致邻接矩阵和特征矩阵的行对应不上。训练时损失一直不降，排查了三天才发现是数据预处理时的 bug。所以，构建图时一定要保证原子索引和特征索引严格一致。

2.4 分子图的构建流程

下面是标准构建步骤，我把它分成 4 步：

1. 读入分子：从 SMILES、SDF 或 XYZ 文件获取分子对象。
2. 选取原子：决定是否包含氢。一般步骤：去掉显式氢（保留隐式氢信息作为原子特征），只保留重原子（C、N、O、S、P 等）。注意：有些反应位点需要氢参与，就得保留。
3. 提取原子特征：对每个原子，计算特征向量：
   • 原子类型（one-hot 编码，如 C→[1,0,0,…]）
   • 原子度（连接的键数）
   • 形式电荷
   • 杂化态（sp, sp², sp³）
   • 是否为环成员
   • 氢原子数目（隐式氢）
4. 提取键特征：对每对化学键，计算特征向量（如键类型 one-hot）。
5. 构建张量：组合成邻接矩阵 A 和节点特征矩阵 X，可能还包括边特征矩阵 E（大小为 M×e，M 为边数）。

2.5 一个简单的代码示例

下面用 RDKit 和 PyTorch Geometric 演示构建分子图（只列核心步骤，不包含完整依赖）。

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

def mol_to_graph(smiles):
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return None
    # 获取原子个数
    num_atoms = mol.GetNumAtoms()
    # 原子特征矩阵（假设每个原子有5个特征）
    atom_features = []
    for atom in mol.GetAtoms():
        feat = [
            atom.GetAtomicNum(),
            atom.GetDegree(),
            atom.GetFormalCharge(),
            atom.GetHybridization(),
            1 if atom.IsInRing() else 0
        ]
        atom_features.append(feat)
    x = torch.tensor(atom_features, dtype=torch.float)
    # 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])  # 无向图增加反向边
        bond_type = bond.GetBondTypeAsDouble()
        edge_attr.append([bond_type])
        edge_attr.append([bond_type])
    edge_index = torch.tensor(edge_index, dtype=torch.long).t().contiguous()
    edge_attr = torch.tensor(edge_attr, dtype=torch.float)
    data = Data(x=x, edge_index=edge_index, edge_attr=edge_attr)
    return data

这个函数返回一个 PyTorch Geometric 的 Data 对象，可以直接喂给图神经网络。注意我在这里把无向边拆成两条有向边，这是大多数 GNN 的标准做法。

2.6 本章知识结构图

下面这张 SVG 图展示了分子图的整体构建过程。从左边分子结构出发，中间提取节点和边，右边得到特征矩阵和邻接矩阵。

2.7 构建时的常见问题

问题	后果	我踩过的坑
原子特征未归一化	梯度爆炸，模型不收敛	原子序数范围 1~118，直接喂进去，loss 直接起飞
忽略键的方向性	图注意力机制算不准	一开始做无向图只用一条边，消息传递只收不发
边特征未统一维度	维度不匹配报错	不同分子键类型编码长度不同，batch 时报错
氢原子处理不一致	模型过拟合或欠拟合	同一个分子在不同库中氢数目不同，导致特征波动