Stanford CS224W 图神经网络：为什么 GNN 是分子建模核心技术

Stanford CS224W（Machine Learning with Graphs）是图神经网络领域最系统的公开课程。对 AI 药物发现而言，它的价值在于讲清了「为什么图这种结构需要专门的方法」——而分子本质上就是图。

课程结构与药物发现的对应

最需要理解的三个概念

# ---- 概念一：消息传递 ----
#
#   每个节点从邻居收集信息并更新自己
#   经过 K 层，每个节点包含 K 跳邻域的信息
#
#   【对分子的含义】：
#     一个原子的表示，编码了它周围 K 个键范围内的化学环境
#     → 这与 ECFP 指纹的半径概念【几乎等价】（见 046）
#
#   【关键推论】：
#     3 层 GNN ≈ ECFP(r=3) 的信息范围
#     → 这解释了为什么两者性能常常接近（见 159）
#
# ---- 概念二：表达能力与 WL 测试 ----
#
#   Weisfeiler-Lehman 图同构测试：
#     一个判断两个图是否同构的经典算法
#     它的过程与消息传递惊人地相似
#
#   【重要结论】：
#     标准的消息传递 GNN 的判别能力
#     【不超过 1-WL 测试】
#     → 存在不同的分子图，GNN 无法区分
#
#   【实际含义】：
#     某些环系结构的差异，GNN 「看不见」
#     → 这是架构层面的限制，加数据也解决不了
#     → 应对：加入额外特征（环信息、子结构计数）
#
#   【GIN 的意义】：
#     它是能达到 1-WL 上限的架构
#     → 这是它在分子任务上常常表现好的理论依据
#
# ---- 概念三：过平滑 ----
#
#   层数增加时，所有节点的表示趋于相同
#   → 因为反复平均邻居信息，差异被抹平
#
#   【实际含义】：
#     GNN 通常只能做 3~5 层
#     → 感受野受限
#     → 难以捕捉分子内的长距离相互作用
#
#   应对：残差连接、跳跃连接、虚拟节点

与分子建模的差异：需要意识到的

• 分子图很小：通常几十个原子，而课程中很多内容针对的是社交网络这类百万节点的大图——可扩展性的讨论对分子不那么重要；
• 分子图有强的化学约束：价键规则、环的性质——通用图方法不知道这些，需要通过特征工程注入；
• 三维信息：课程主要讲拓扑图，而分子的三维构象常常重要——需要额外学等变网络（见 160《等变神经网络》）；
• 数据量：分子数据集通常只有几千个样本，而课程中的方法很多是为大数据设计的——过拟合是分子任务的主要挑战；
• 基线的重要性：课程不会告诉你「ECFP + 随机森林常常打平 GNN」——这个实践认识需要另外补（见 131《Chemprop / D-MPNN 论文精读》）。

学习建议

# 【不需要看完整个课程】
#
# 对药物发现，重点是：
#   □ 图的基本概念与表示
#   □ 消息传递框架（【最核心】）
#   □ GCN、GAT、GIN 的差异
#   □ 表达能力与 WL 测试
#   □ 图池化
#   □ 图生成（如果要做分子生成）
#
# 可以跳过或略读：
#   - 大规模图的扩展性
#   - 社交网络特有的任务
#   - 推荐系统
#
# 【配套实践】：
#   课程的 Colab 作业用 PyTorch Geometric
#   → 【这正是分子 GNN 最常用的库】（见 176）
#   → 做完作业就掌握了实现能力
#
# 【学完之后的练习】：
#   1) 用 PyG 实现一个分子性质预测的 GNN
#   2) 【与 ECFP + LightGBM 基线比较】
#   3) 试着加入 RDKit 全局描述符，看提升多少
#   4) 用骨架划分评测，看与随机划分的差距
#   → 这四步做完，你对分子 GNN 的理解
#     会超过大部分只读论文的人

用 PyTorch Geometric 做分子图

from torch_geometric.data import Data
from rdkit import Chem
import torch

def mol_to_pyg(smiles, y=None):
    mol = Chem.MolFromSmiles(smiles)
    if mol is None:
        return None

    # 原子特征 —— 【特征设计比架构更影响结果】
    x = []
    for a in mol.GetAtoms():
        x.append([
            a.GetAtomicNum(),
            a.GetDegree(),
            a.GetFormalCharge(),
            int(a.GetHybridization()),
            int(a.GetIsAromatic()),
            a.GetTotalNumHs(),
            int(a.IsInRing()),
            int(a.GetChiralTag()),
        ])

    # 边 —— 【无向图必须存两个方向】
    ei, ea = [], []
    for b in mol.GetBonds():
        i, j = b.GetBeginAtomIdx(), b.GetEndAtomIdx()
        f = [int(b.GetBondTypeAsDouble() * 2),
             int(b.GetIsConjugated()),
             int(b.IsInRing()),
             int(b.GetStereo())]
        ei += [[i, j], [j, i]]
        ea += [f, f]

    return Data(
        x=torch.tensor(x, dtype=torch.float),
        edge_index=torch.tensor(ei, dtype=torch.long).t().contiguous(),
        edge_attr=torch.tensor(ea, dtype=torch.float),
        y=torch.tensor([y], dtype=torch.float) if y is not None else None,
    )

# 【常见错误】：
#   1) 忘记双向边 → 消息只单向传递
#   2) 原子特征用原始数字而非独热编码
#      → 模型会以为「碳(6) 与氮(7) 相邻」有数值意义
#   3) 忘记处理 mol 为 None 的情况

延伸资源

• GNN 论文精读：159《图神经网络 GNN》；等变网络：160《等变神经网络》；Chemprop：131《Chemprop / D-MPNN 论文精读》；
• PyTorch Geometric：176《PyTorch Geometric》；分子图表示：034《分子图表示》。