图神经网络 GNN：分子图模型强在哪里，为什么仍会输给指纹基线

图神经网络把分子看成原子和键构成的图，通过消息传递学习结构表示。它是分子性质预测的重要模型族，但不是“用了 GNN 就更科学”。

GNN 的优势

• 结构端到端：无需手写所有指纹特征，可从图中学习局部化学环境。
• 可扩展：可加入边特征、全局描述符、3D 距离、反应条件等。
• 适合多任务：共享图表示可服务多终点预测。

常见失败原因

• 数据太小或标签噪声太高时，GNN 容易过拟合。
• 普通 2D GNN 不知道真实构象和立体环境，手性/构象任务需特殊处理。
• 如果测试集泄漏同系列类似物，GNN 高分可能只是记忆局部结构。

延伸资源

• 配套：131《Chemprop》、160《等变神经网络》。