📚 课程目录第3章分子图构建原理

分子图构建原理

说实话，分子图这个概念我第一次听的时候觉得挺玄乎的。图？不就是原子连原子嘛。但真正动手把分子转成 GNN 能吃的数据时，才发现里头有不少细节讲究。我个人习惯先把分子拆成两个最核心的东西：原子（节点）和化学键（边）。然后呢，再分别给它们配上对应的矩阵——特征矩阵和邻接矩阵。

原子作为节点——节点特征怎么定？

每个原子就是一个节点。咱们写个分子图构建函数，第一步就是拿原子序号和对应的属性。举个最简单的例子，甲烷 CH₄：一个碳连四个氢。碳和氢都是节点，总共 5 个节点。

那节点特征是什么？我早期踩过一个坑：只把原子序数塞进去，结果模型完全分不清同分异构体。后来我加了电荷、手性标签、杂化类型、度（连接的键数）这些特征，效果立马不一样。

节点特征常用字段

原子序数（整数，1~118）
形式电荷（默认 0）
手性中心（True/False 或 CHI_TETRAHEDRAL_CCW 等）
杂化类型（SP, SP², SP³ …）
在环中（True/False）
连接的氢原子数（隐含氢）

构建特征矩阵的代码片段大概长这样：

import numpy as np
from rdkit import Chem

def atom_feature_vector(atom):
    features = [
        atom.GetAtomicNum(),
        atom.GetFormalCharge(),
        int(atom.GetHybridization()),
        atom.GetTotalDegree(),
        int(atom.IsInRing())
    ]
    return np.array(features, dtype=np.float32)

# 对甲烷分子
mol = Chem.MolFromSmiles('C')
atom_features = [atom_feature_vector(atom) for atom in mol.GetAtoms()]
X = np.stack(atom_features)  # shape: (num_atoms, feature_dim)

你看，每个原子变成一个固定长度的向量。不同分子的原子数不一样，特征矩阵的行数也就不一样——这就是 GNN 能处理变长输入的基础。

化学键作为边——邻接矩阵藏着的信息

原子之间靠化学键相连。在分子图中，每条化学键就是一条边。我习惯用无向图表示，因为键没有方向性。邻接矩阵 A 是一个 N×N 的 0-1 矩阵，A[i][j]=1 表示原子 i 和原子 j 之间有一条键。

不过有一点很重要：邻接矩阵默认只告诉你“有没有键”，但不告诉你“什么键”。我会在边特征里补充键的类型（单键、双键、芳香键……），但本章先只讲基础。

def build_adjacency_matrix(mol):
    n = mol.GetNumAtoms()
    A = np.zeros((n, n), dtype=np.int8)
    for bond in mol.GetBonds():
        i = bond.GetBeginAtomIdx()
        j = bond.GetEndAtomIdx()
        A[i, j] = 1
        A[j, i] = 1  # 无向图
    return A

A = build_adjacency_matrix(mol)

嗯，这里要注意：如果分子有环，邻接矩阵里就会出现环。比如苯环的邻接矩阵是六边形结构，对角线全是 0（自己连自己算自环，通常不加）。

特征矩阵与邻接矩阵——GNN 的两个输入基石

把前面两个矩阵合在一起，就构成了 GNN 的输入图。我一个标准的分子图可以写成：

节点特征矩阵 X ∈ ℝ^N×F，F 是每个原子的特征维度。
邻接矩阵 A ∈ {0,1}^N×N，通常加上自环（A + I）以便消息传递时保留自身信息。

下表列出了几个常见分子的维度对比：

分子	SMILES	原子数 N	特征维度 F	邻接矩阵非零数
甲烷	C	5	5	4
乙醇	CCO	9	5	8
苯	c1ccccc1	12	5	12
咖啡因	CN1C=NC2=C1C(=O)N(C(=O)N2C)C	24	5	26

你看，分子图的大小完全不一样。GNN 的好处就是甭管 N 是 5 还是 24，消息传递照样跑。

我的一个小建议

构建特征矩阵时，尽量把每个维度归一化到 [-1,1] 或 [0,1] 区间。原子序数从 1 到 118，直接扔进去权重会畸形。我习惯用 one-hot 对前 30 号元素编码，其余统一归为 “other”。

分子图构建流程全景

下面这张图总结了从分子结构到 GNN 输入的完整路线。我画了四个主要步骤：

我曾经踩过的坑

用 RDKit 构造邻接矩阵时，如果直接遍历原子序号，别忘了跳过 mol.GetBonds() 返回的 Bond 对象里的 BeginAtomIdx 和 EndAtomIdx 都是基于当前分子对象的索引，不是全局索引。同一原子在不同分子里索引肯定不一样，这没问题，但跨分子做 embedding 时要小心映射对齐。

做完这一步，你的分子图就齐活了。特征矩阵 X 和邻接矩阵 A 是 GNN 计算最原始的输入。后面所有的消息传递、图卷积、池化操作都在这个基础上构建。