# 1.1 图神经网络与分子科学概述

第一章 图神经网络与分子科学概述

图神经网络和分子科学的结合，说白了就是把化学家画在纸上的分子结构式，变成计算机能理解、能计算的数学形式。我当年刚接触这个方向时，第一反应是：这有什么用？结果翻了几篇论文，才发现这个领域的水比想象中深得多。

1.1.1 发展历史：从分子描述符到图神经网络

分子科学结合计算，其实走了很长一段路。我们来梳理一下关键节点：

阶段	时间	核心方法	我的评价
先驱期	1960-1990	分子指纹、QSAR模型	靠人工设计特征，很费劲
传统ML期	1990-2010	随机森林、SVM + 描述符	准确率有提升，但还是手工特征
深度学习期	2010-2017	CNN、RNN处理分子SMILES	信息损失大，分子结构被压扁了
图网络期	2017至今	GCN、GAT、MPNN	这才真正尊重分子的拓扑结构

我记得2017年Thomas Kipf提出图卷积网络（GCN）的时候，化学界和AI界都炸了。为啥？因为分子天然就是个图结构啊——原子是节点，化学键是边。早期用SMILES字符串表示分子，简直就是把三维结构硬塞进一维序列里，你想想看，那损失有多大。

1.1.2 应用领域：不只是预测性质那么简单

图神经网络做分子特征提取，能解决哪些实际问题？我挑几个自己踩过坑的领域聊聊：

• 虚拟筛选：从百万级化合物库中快速找候选分子。传统方法要逐个做分子对接，耗时几周；GNN做预筛选，几天就能把候选范围缩小到几百个。
• ADMET预测：预测药物的吸收、分布、代谢、排泄和毒性。我在项目里遇到过，一个候选分子活性很好，但用GNN一算，肝毒性概率85%，直接毙掉，省了后续动物实验的冤枉钱。
• 合成规划：反向合成分析，判断某个分子能不能合成、怎么合成。GNN能预测反应位点和产率。
• 分子生成：生成具有特定性质的新分子结构。这个方向实用价值很高，但也很容易翻车——我曾经生成的分子画出来像外星生物，根本不稳定。

1.1.3 核心概念：分子图、特征与任务

要讲清楚分子特征提取，得先搞清楚几个基础概念。不然后面代码怎么写、模型怎么调，根本对不上号。

分子图：节点和边

一个分子图 G = (V, E)，其中：

• 节点集合 V：每个原子是一个节点。原子属性包括元素类型（C、N、O...）、杂化方式、形式电荷等。
• 边集合 E：每根化学键是一条边。边的属性包括键类型（单键、双键、芳香键等）、是否在环内等。

举个例子，苯分子有6个碳原子和6个氢原子，但处理时通常只考虑重原子（非氢），这样图会更干净。我刚开始写代码时把氢也全算上，结果图太大，训练慢到让人崩溃。

节点特征和边特征：分子的”身份证”

每个原子和键都需要用数值向量表示。常见的特征包括：

特征类型	具体特征	维度示例
原子特征	原子类型、度（连接的原子数）、形式电荷、杂化类型、在环中、芳香性	20-100维
键特征	键类型、共轭性、是否在环中、立体化学	5-15维
全局特征	分子量、logP、电荷、手性中心数	10-50维

这些特征用one-hot编码或者可学习的嵌入向量表示。这里有个坑：特征选择决定了模型能学到的信息上限。你用少了，模型学不到；你用多了，训练变慢还可能过拟合。

图任务类型：你要解决什么问题？

分子图的任务分三级，每一级对应的实际场景不同：

• 图级别任务：给整个分子打标签。比如预测logP、毒性、活性。这是最常见的任务。
• 节点级别任务：预测每个原子的性质。比如原子电荷、NMR化学位移。
• 边级别任务：预测键的性质或反应位点。比如预测哪个键最容易断裂。

我在做一个代谢位点预测项目时，就用了节点级别任务——预测每个碳原子被CYP450酶氧化的概率。GNN结果比传统方法准了将近15%，客户当场就签了二期合同。

消息传递机制：GNN的灵魂

消息传递（Message Passing）是GNN处理分子图的核心操作。简单说，就是每个原子节点收集邻居的信息，跟自己的特征融合，再更新自己。搞了若干轮之后，每个节点的表示就包含了整个分子结构的信息。

# 简化的消息传递伪代码
# 对于第k层，节点v的更新：
# 1. 聚合邻居消息
m_v^(k) = AGGREGATE({h_u^(k-1), e_uv | u ∈ N(v)})
# 2. 更新节点特征
h_v^(k) = UPDATE(h_v^(k-1), m_v^(k))

# 最终分子表示：对所有节点特征做图池化
h_G = POOL({h_v^(K) | v ∈ V})

这个机制看着简单，但实现起来细节不少。比如聚合函数选求和还是平均？更新用拼接还是加法？层数选多了会不会过平滑？这些问题我在写代码时都一一碰过，后面几章会详细讲。

嗯，这里要敲黑板：消息传递的层数决定了模型能看到多大的分子”邻域”。层数太少，学不到长程相互作用；层数太多，所有节点变得一样，反而学不到区分信息。一般分子图2-4层就够了，太大分子的可以考虑加残差连接。

1.1.4 知识体系总览

为了让整个课程的知识结构更清晰，我画了一张框架图，展示了本章及后续各章的核心逻辑关系：

这张图把课程的核心逻辑串起来了。从原始分子数据出发，经过图构建得到结构化的分子图，再送入GNN模型完成消息传递，最后根据任务类型输出预测结果。每个环节都有技术细节和陷阱，后面的章节会逐一展开。