1. 图神经网络概述与药物发现应用
图神经网络，听起来挺唬人的对吧？
说白了，它就是专门为处理图结构数据设计的深度学习模型。你想想看，现实世界里很多东西都不是规规矩矩的网格或者序列——分子结构、社交网络、知识图谱，这些都是图。而我今天要聊的药物发现，恰恰和图结构有着天然的联系。
1.1 为什么药物发现需要图神经网络？
我刚入行那阵儿，做分子性质预测还停留在用分子指纹、向量化特征这些老方法上。那时候我就觉得不对劲：分子明明是个三维结构，你硬把它压平成一维向量，信息损失太大了。后来接触了图神经网络，才算是找到了对路的工具。
药物的本质，就是一个个原子通过化学键连接而成的图。
核心观点： 每个原子是节点，化学键是边，电荷、键长、官能团这些是节点和边的特征。图神经网络直接在分子图上做消息传递，比传统方法保留了更完整的结构信息。
举个例子，预测一个新分子有没有毒性。传统方法靠分子描述符，比如分子量、logP这种，但很多毒性其实和分子局部结构有关——一个特定的官能团在某个位置就会引发毒性反应。图神经网络能感知这种局部模式，因为它在邻居原子之间做信息聚合。
1.2 图神经网络的核心思想
我常说一句话：图神经网络就是邻居之间的信息交换。
这个想法其实很朴素。每个节点看看自己有哪些邻居，把邻居的信息收集起来，再结合自己的特征，更新自己的表示。反复几轮之后，每个节点的表示就包含了周围多跳的图结构信息。
嗯，这里要注意：不同模型的聚合方式不一样。有的是求和，有的是平均，有的是用注意力机制决定邻居权重。但骨架都是一样的——消息传递。
我的经验： 刚开始学图神经网络，别在数学推导里死磕。先想清楚“谁在看谁、怎么聚合”这个逻辑，比什么拉普拉斯矩阵重要得多。
一个标准的消息传递步骤可以这样理解：
- 每个节点准备自己要发送的消息
- 把消息发给自己所有的邻居
- 每个节点收集邻居发来的消息
- 聚合这些消息，更新自己的特征
1.3 图神经网络在药物发现中的典型场景
我做过好几个药物相关的项目，图神经网络最常用的地方有这么几个：
| 场景 | 做的是什么事 | 为什么用图网络 |
|---|---|---|
| 分子性质预测 | 预测溶解度、毒性、ADMET属性 | 分子图天然包含结构和拓扑信息 |
| 药物-靶标亲和力 | 预测某个药和某个蛋白结合得紧不紧 | 药物和蛋白都是图，可以双图交互建模 |
| 分子生成 | 从头设计新分子结构 | 图生成模型能输出有效的分子图 |
| 反应预测 | 预测反应物会生成什么产物 | 反应物图到产物图的变换学习 |
| 分子相似性 | 找和新药相似的老药 | 图嵌入比指纹更有区分度 |
避坑指南： 我曾经在分子性质预测上犯过一个低级错误——直接把SMILES字符串当序列用LSTM处理。后来发现，同样的分子不同的SMILES写法会导致不同的预测结果。换成图神经网络之后，这个问题自然消失了，因为图结构是分子本身的不变表示。
1.4 DGL：做图神经网络的趁手工具
选择DGL（Deep Graph Library）来做药物图神经网络，我的理由很简单：它把图神经网络里那些底层操作包装得特别顺手，而且对分子的支持很好。
比如，用DGL表示一个分子，就几步：
import dgl
import torch
# 假设分子有3个原子，形成两条化学键
# 节点：原子类型特征
nodes = torch.tensor([[6], [8], [1]]) # C, O, H
# 边：连接关系 (源节点, 目标节点)
edges = ([0, 1], [1, 2]) # C-O, O-H
# 构建DGL图
g = dgl.graph(edges)
g.ndata['feat'] = nodes
print(g)
# 输出: Graph(num_nodes=3, num_edges=2)你想想看，传统方法要建分子图得自己写一堆邻接矩阵、特征拼接的代码。用DGL，几行就搞定。而且它内置了很多常用的图神经网络层，调用起来非常直接：
import dgl.nn as dglnn
# 定义一个图卷积层
conv = dglnn.GraphConv(in_feats=64, out_feats=128)
# 前向传播：输入图结构和节点特征
h = conv(g, g.ndata['feat'])学习路径建议： 先用这张图把本章的知识点串起来。后续章节我们会一步步深入DGL的API和药物分子建模的实战。
1.5 我为什么推荐从药物分子入手学图神经网络
说起来，我当初带团队里的新人学图神经网络，都是拿分子数据练手。原因很简单——分子图既真实又好验证。
- 真实： 每个分子就是一张实实在在的图，不是人造的玩具数据
- 有标签： PubChem、ChEMBL这些数据库里大量分子有实测属性
- 结果直观： 预测的溶解度准不准，一验证就知道
- 工具成熟： RDKit处理分子，DGL建图，一套流程顺畅
说到这，我建议你拿一个小分子试试手。 随便找个分子，比如阿司匹林，把它的原子和化学键列出来，用手动方式构建成DGL图。这个练习能帮你把“分子到图”的映射关系吃透——这也是后续所有项目的基础。
记住一句话：图神经网络不是魔法，它只是在做邻居找邻居的游戏罢了。 只不过这个游戏做得巧妙，能从分子的结构中找到那些决定药效、毒性的关键模式。