Chemprop / D-MPNN 论文精读：为什么强基线比新模型更重要

Chemprop（Yang 等，JCIM 2019）提出了 D-MPNN（有向消息传递神经网络）。但这篇论文最有价值的部分不是模型架构，而是它的系统性评估——它诚实地报告了：在很多数据集上，认真调优的传统方法与深度学习打平。

D-MPNN：在边上传递消息

# 普通 MPNN（消息传递发生在【节点】之间）：
#   每个原子从邻居原子接收消息
#   h_v^(t+1) = U(h_v^(t), Σ_{w∈N(v)} M(h_v, h_w, e_vw))
#
#   问题：【消息会「折返」】
#     原子 A → 原子 B 的消息，
#     在下一轮又从 B 传回 A
#     → 信息在两个原子间来回震荡
#     → 产生冗余，稀释了远距离信息
#
# D-MPNN（消息传递发生在【有向边】上）：
#   状态定义在「从 v 到 w 的有向边」上
#   h_vw^(t+1) = U(h_vw^(t), Σ_{k∈N(v)\{w}} h_kv^(t))
#                                    ↑
#                        【排除了 w 自身】
#
#   → 从 B 来的消息不会再传回 B
#   → 消除了折返，信息传播更「干净」
#
# 效果：
#   在多个数据集上比节点式 MPNN 有稳定但不大的改善
#
# 这个设计的启发：
#   图神经网络中「信息如何流动」的细节，
#   比堆更多层更重要

论文真正的贡献：诚实的基线比较

比较对象	论文的发现
ECFP + 随机森林/SVM	在多个数据集上与 D-MPNN 相当
特征工程 + 梯度提升	在小数据集上常常更好
D-MPNN（纯图）	在大数据集上占优
D-MPNN + RDKit 描述符	最好——「图 + 手工特征」的组合

「加上 RDKit 全局描述符能显著提升性能」是很有实践价值的发现：图网络擅长捕捉局部结构，但对分子量、logP、TPSA 这类全局性质的表达并不高效。把它们直接作为额外特征拼进去，是低成本的重要改进。

超参数优化的影响被严重低估

# 论文的一个重要观察：
#   【超参数优化带来的提升，
#    常常大于换一个「更先进」模型带来的提升】
#
# 这意味着：
#   如果论文 A 的新模型经过精心调优，
#   而基线只用了默认参数，
#   那么报告的「提升」可能主要来自调优而非架构
#
# → 【这是 AI 制药论文中最常见的不公平比较】（见 169）
#
# 正确的做法：
#   给基线【同样的调优预算】
#   报告调优的搜索空间与试验次数
#
# Chemprop 的做法：
#   用贝叶斯优化对所有方法做同等预算的超参数搜索
#   → 这才让比较有意义

# 实践建议：
#   在自家数据上做任何模型选型前，
#   先建立一个【认真调优的 ECFP + LightGBM 基线】
#   如果新模型打不过它，就不要上新模型
#
#   这个基线通常：
#     - 训练只需几分钟
#     - 不需要 GPU
#     - 易于部署与维护
#     - 结果稳定可复现

使用 Chemprop

pip install chemprop

# 训练（v2 命令行接口）
chemprop train \
  --data-path train.csv \
  --task-type regression \
  --smiles-columns smiles \
  --target-columns activity \
  --split-type scaffold_balanced \
  --num-folds 3 \
  --epochs 50 \
  --save-dir model_out/

# 【关键参数】：
#   --split-type scaffold_balanced
#     按骨架划分，而非随机划分
#     → 随机划分会严重高估性能（见 167）
#     → 这几乎总是应该开启的

# 加入 RDKit 描述符（论文推荐的组合）
chemprop train \
  --data-path train.csv \
  --task-type regression \
  --descriptors-path rdkit_features.npz \
  --save-dir model_out/

# 集成模型（降低方差）
chemprop train ... --ensemble-size 5

# 预测
chemprop predict \
  --test-path test.csv \
  --model-path model_out/best.pt \
  --preds-path predictions.csv

# 超参数优化
chemprop hpopt \
  --data-path train.csv \
  --task-type regression \
  --search-parameter-keywords all \
  --raytune-num-samples 30 \
  --hpopt-save-dir hpopt/

多任务学习

# Chemprop 原生支持多任务
#   一个模型同时预测多个性质
#
# CSV 格式：
#   smiles,logP,solubility,permeability
#   CCO,-0.31,1.2,
#   c1ccccc1,2.13,,0.8
#   （空值表示该分子没有该性质的数据）
#
# 优势：
#   1) 数据少的任务可以从数据多的任务「借力」
#   2) 共享表示学习，减少过拟合
#
# 但要注意：
#   【任务之间必须真的相关】
#   把不相关的任务放在一起会互相干扰（负迁移）
#
#   判断方法：
#     先单独训练每个任务，再多任务训练，
#     比较每个任务的表现是否都改善了
#     → 有任务变差 = 存在负迁移
#
# ADMET 多任务的现实：
#   不同来源的实验数据体系差异大
#   → 多任务可能被数据不一致性拖累（见 156）

什么时候用 Chemprop

场景	建议
数据量 < 1000	用 ECFP + LightGBM
数据量 1000～10000	两者都试，比较后决定
数据量 > 10000	Chemprop 通常有优势
多个相关任务	Chemprop（多任务）
需要快速迭代/部署简单	ECFP + 树模型
需要不确定性估计	Chemprop（集成或证据回归，见 166《不确定性估计》）

论文的持久价值

• Chemprop 成为了分子性质预测的标准基线：新方法必须与它比较才有说服力；
• 「强基线」的方法学立场：论文明确指出不公平的基线比较是领域的系统性问题——这个批评至今仍然适用；
• 工程质量：代码维护良好、文档完整、易于使用，这让它被广泛采用；
• 实际应用：它被用于抗生素筛选等实际项目，是少数有真实发现记录的开源分子模型。

延伸资源

• GNN 基础：159《图神经网络 GNN》；Benchmark 陷阱：169《Benchmark 陷阱》；
• MoleculeNet：132《MoleculeNet 论文精读》；模型外推性：167《模型外推性》；ADMET 预测：156《AI ADMET 预测模型》。