分子图表示：原子节点与化学键边

好，我们正式进入分子图构建的环节。说白了，就是在问一个问题：如何把一瓶化学药品，变成计算机能理解的图结构？

我个人习惯把这件事拆成两步：先确定图上有什么，再确定它们怎么连。对应到分子上，就是原子和化学键。

原子作为节点

每个原子就是图里的一个节点。但原子本身有很多属性，只画个圈不行。我们需要把这些属性编码成节点特征向量。

常见的节点特征包括：

• 原子类型：C、N、O、S、F 等等，通常用 One-hot 编码。
• 杂化方式：sp、sp²、sp³，这会影响原子在三维空间里的排布。
• 形式电荷：带正电还是负电。
• 是否在环上：这个属性对芳香性判断很重要。
• 氢原子数量：隐式氢还是显式氢，会影响图的拓扑。
• 手性标记：R/S 构型，手性分子必须重点处理。

特征太少了，模型学不到东西。特征太多了，模型容易过拟合。业界常用的方案，是使用 RDKit 的 GetMorganFingerprint 配合预先定义的原子特征列表。下面是个示例：

from rdkit import Chem
from rdkit.Chem import AllChem

def atom_features(atom):
    # 常见原子类型
    atomic_num = [1, 5, 6, 7, 8, 9, 15, 16, 17, 35, 53]
    features = [1 if atom.GetAtomicNum() == x else 0 for x in atomic_num]
    # 杂化方式
    hyb = atom.GetHybridization()
    features.append(int(hyb == Chem.rdchem.HybridizationType.SP))
    features.append(int(hyb == Chem.rdchem.HybridizationType.SP2))
    features.append(int(hyb == Chem.rdchem.HybridizationType.SP3))
    # 形式电荷
    features.append(atom.GetFormalCharge())
    # 是否在环上
    features.append(int(atom.IsInRing()))
    # 氢原子数量（隐式）
    features.append(atom.GetTotalNumHs())
    return features

化学键作为边

比原子特征更麻烦的是化学键。为什么？因为化学键的种类多，而且还有单双键共轭、芳香键这种不好描述的情况。

最常见的边特征包括：

• 键类型：单键、双键、三键、芳香键。
• 是否共轭：对电子离域很重要。
• 是否在环上：环内的键和环外的键，力学性质不同。
• 立体构型：E/Z 构型。

边特征的提取比较简单，通常也是 One-hot 编码：

def bond_features(bond):
    bt = bond.GetBondType()
    features = [
        int(bt == Chem.rdchem.BondType.SINGLE),
        int(bt == Chem.rdchem.BondType.DOUBLE),
        int(bt == Chem.rdchem.BondType.TRIPLE),
        int(bt == Chem.rdchem.BondType.AROMATIC),
    ]
    features.append(int(bond.GetIsConjugated()))
    features.append(int(bond.IsInRing()))
    return features

图构建流程

有了节点特征和边特征，下一步就是把它们放到一张图里。图的存储方式有很多，最常用的就是邻接矩阵 + 特征矩阵的组合。

具体流程如下：

1. 解析分子：用 RDKit 读入 SMILES 或 SDF 文件。
2. 获取原子列表：提取所有原子，按顺序编号。
3. 构建邻接矩阵：按原子对遍历化学键，如果存在键，则邻接矩阵对应位置为 1（或存储键特征索引）。
4. 生成节点特征矩阵：每个原子的特征向量拼接成矩阵，形状为 (N, D)，N 是原子数，D 是特征维度。
5. 生成边特征张量：每条边对应一个特征向量，形状为 (E, F)，E 是边数，F 是边特征维度。

def mol_to_graph_data(mol):
    atoms = mol.GetAtoms()
    n_atoms = len(atoms)
    # 节点特征
    x = [atom_features(atom) for atom in atoms]
    # 边索引 (邻接列表)
    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))  # 无向图需要双向边
        feat = bond_features(bond)
        edge_attr.append(feat)
        edge_attr.append(feat)    # 双向边特征相同
    return {
        'x': torch.tensor(x, dtype=torch.float),
        'edge_index': torch.tensor(edge_index, dtype=torch.long).t().contiguous(),
        'edge_attr': torch.tensor(edge_attr, dtype=torch.float)
    }

整体知识结构

下面的 SVG 图展示了从原始分子到图结构的完整映射关系。你可以清晰地看到，分子图本质上是三种信息的组合：节点（原子）、边（化学键）和全局属性（分子量、LogP 等）。

常见争议与经验之谈

在实际项目中，关于图表示有几个经典争议点：

争议问题	我的建议	理由
是否使用显式氢	显式氢在需要三维构象时用	隐式氢降低图复杂度，但丢失氢键信息
是否考虑立体化学	必须考虑，尤其是药物分子	立体异构体活性差异巨大
邻接矩阵用稀疏还是稠密	稀疏，因为分子图天然稀疏	稠密矩阵浪费存储且理论上有N²条边
边特征如何融入消息传递	直接用边特征更新节点表示	RGCN或GINE都支持这种模式

嗯，我再补充一个我在实际项目中的教训：刚用 GNN 做分子性质预测时，我把所有原子特征都用 One-hot 编码，结果维度高达 80 维，模型收敛极慢。后来我把原子类型限制在 10 种最常用元素，问题就解决了。你想想看，分子里出现超铀元素的概率有多大？

所以我的建议是：特征工程不是越多越好，而是越精越好。多看看你的数据集分布，再决定特征范围。