8.1 分子表征学习：从指纹到图神经网络

8.1 分子表征学习：从指纹到图神经网络

本节摘要：图神经网络（GNN）让模型从数据里自己学出分子表示：消息传递把邻居信息聚合进每个原子的向量，读出函数把原子向量汇成分子向量，任务头在其上做预测。本节拆解消息传递的机制，给出一个可运行的分子性质分类最小模型，并示范"指纹基线对决"这一深度时代的基本修养。

AI 编目员上岗第一课。第4章你亲手挑描述符、算指纹；本节把这些活交还给模型——表示不再手工设计，而是随任务一起训练。这不是替代关系：理解手工特征，正是判断学得特征好坏的参照系。

让模型自己长出描述符

嵌入是深度学习的通用语：把对象变成稠密向量，让"语义相近"翻译成"向量相近"。分子表征学习的目标，就是把每个分子映到一个向量，使预测任务需要的结构信息都装在里面。图神经网络做这件事的先天优势是输入形态正确——分子本来就是图（2.2 节），GNN 直接吃图，不必先压扁成定长指纹再丢失信息。

消息传递是 GNN 在图上学习的基本动作，一轮传递分三步。第一步，收集：每个原子看看自己的直接邻居。第二步，聚合：把邻居们的当前表示按某种方式汇合（求和、取平均、取最大——求和最常见，因为它区分一个双键和两个单键）。第三步，更新：用自己的旧表示加聚合结果，算出新表示。跑两三轮传递，每个原子的表示就装下了半径二以内的环境——这正是 4.2 节摩根指纹半径二的手工对应物：指纹把环境哈希成一位，GNN 把环境映射成一个连续向量，后者信息量大得多，也 task-aware 得多（训练信号会引导它关注对任务有用的环境）。读出是最后一跃：把全部分子的原子向量汇合成分子向量（求和或注意力加权），交给分类或回归头。

图 8-1：一轮消息传递里发生了什么

案例：训一个分子性质分类器，并和指纹基线对决

背景。同事听说图模型万能，想把项目数据集（约两千个分子，二分类标签"能否穿越血脑屏障"）直接交给一个三层图同构网络。你的任务不是拒绝，而是立一场公平对决：同一个骨架划分下，GNN 对阵 4.2 节的摩根指纹加随机森林。

操作。图模型一侧的最小实现（图学习框架风格）：

import torch
from torch_geometric.nn import GINConv, global_add_pool

class TinyGNN(torch.nn.Module):
    def __init__(self, n_atom_feats, hidden=64):
        super().__init__()
        self.conv1 = GINConv(torch.nn.Sequential(
            torch.nn.Linear(n_atom_feats, hidden),
            torch.nn.ReLU(), torch.nn.Linear(hidden, hidden)))
        self.conv2 = GINConv(torch.nn.Sequential(
            torch.nn.Linear(hidden, hidden),
            torch.nn.ReLU(), torch.nn.Linear(hidden, hidden)))
        self.head = torch.nn.Linear(hidden, 1)

    def forward(self, x, edge_index, batch):
        h = torch.relu(self.conv1(x, edge_index))
        h = torch.relu(self.conv2(h, edge_index))
        return self.head(global_add_pool(h, batch))   # 读出：求和汇成分子向量
​

基线一侧：两千位摩根指纹进随机森林（第5、6章的老配方）。两边同用骨架划分、同报 AUC。

结果。典型量感：随机划分下 GNN 约 零点八九、指纹基线约 零点八七；骨架划分后 GNN 掉到零点七六，基线掉到零点七四。GNN 赢，但赢的是零点零几——而训练成本、调参时间、可解释难度全面倒挂。

解读。这场对决的读法比结果重要。其一，基线不立，深度不谈：多数中等规模数据集上，指纹加树模型的基线极难击败——深度学习的收益要靠数据量与结构信息量撑（百万级样本、三维任务、多任务共享才逐渐拉开差距）。其二，骨架划分后大家都掉分，说明基线时代的好成绩同样有近亲水分——6.2 节的纪律对深度模型原样适用。其三，GNN 的真实优势场景是端到端多任务：多个性质共享一套嵌入，特征工程消失，加新任务只加一个头——工业界用它不是为了单点精度，是为了流水线统一。给同事的结论：这个数据集用基线，把算力省下来留给数据量上百倍的项目。

变式。三个常见的进阶方向。预训练嵌入：用 8.3 节的预训练图模型或化学语言模型产出向量，再接浅层分类头——少标签数据集的实际首选；三维感知网络：把坐标与距离塞进消息传递（等变图网络），构象敏感的性质（对接打分、量子属性）由此起飞；注意力可视化：哪条边、哪个原子在传递中权重大，可给化学家当"模型在看哪"的线索——解释是线索不是证据，别忘了 6.2 的立场。

数据规模感：什么时候轮到图模型

图模型不是默认选项，给它排一个量级对号表。

百级样本（几十到几百）：别想深度。理化描述符加线性模型、或指纹加正则化回归是天花板；此时数据一点都不能浪费在验证集上，交叉验证加简单模型才是正解。千级样本（本项目所在量级）：基线为王的时代，GNN 可以试但预期收益按零点零几计；真正的决策点是"多任务"——若有四五个性状要同时预测，共享底座的图模型开始划算，特征工程的人力省下来是真金白银。万级到十万级：深度方法的主场开启，表征学习对指纹的差距拉开到可感；预训练编码器（8.3 节）作为初始化几乎必选。百万级以上：手工特征全面退居基线角色，端到端表征加预训练是标准配置。

这张表的另一面是三个高频坑。坑一，网络加深不加脑：分子图小而规整，三四层消息传递已覆盖多数任务的感受野，盲目加深徒增过拟合面。坑二，泄漏走批处理暗门：按分子随机切分却忘了同一实验批次的信息关联（同板、同浓度系列的样本高度相关），切分口径要连批次一起考虑——第6章的划分纪律在图学习里的变体。坑三，只报均值不报方差：随机种子一换，图模型成绩波动常超过基线与它的差距，五种子均值加标准差是发表与汇报的诚实底线。

本节要点回顾

• 消息传递三步走：收集、聚合、更新，两三轮即覆盖半径二环境——是摩根指纹的连续向量版。
• 读出汇分子向量：求和读出对子结构计数敏感，是最稳的默认选择。
• 基线是基本修养：指纹加树模型在中小数据集极难击败，深度收益要靠数据量撑。
• 骨架划分照用不误：深度模型同样搭近亲便车，验证纪律一条不少。
• 下一站：表示学好了，模型的野心升级为"自己造分子"——8.2 节潜空间里采样开新骨架。