Chemprop：分子性质预测模型训练入门

Chemprop 是 MIT 开源的分子性质预测工具，核心是 D-MPNN（有向消息传递神经网络）。它长期是这个领域最难被超越的强基线之一——很多号称 SOTA 的新架构，在公平划分下并不能稳定赢过调好的 Chemprop。任何分子性质预测项目，先用它打一版基线是最省时间的做法。

安装

pip install chemprop
chemprop train --help        # v2 起统一为 chemprop 子命令

注意 Chemprop v1 与 v2 的命令行差别很大（v1 用 chemprop_train 脚本，v2 改为 chemprop train）。网上大量教程还停留在 v1，跑不通时先确认版本。

数据格式

smiles,logS
CC(=O)Oc1ccccc1C(=O)O,-1.72
CN1C=NC2=C1C(=O)N(C)C(=O)N2C,-0.88

一个 CSV，第一列 SMILES，其后每列一个任务。多任务只需多加几列，缺失值留空即可——D-MPNN 会自动只在有标签的任务上回传梯度，这是它做多任务 ADMET 的便利之处。

训练与预测

# 训练：骨架划分 + 5 折集成 + 拼接 RDKit 描述符
chemprop train \
  --data-path train.csv --task-type regression \
  --split-type scaffold_balanced --num-folds 5 \
  --ensemble-size 5 --epochs 50 \
  --descriptors-generator rdkit_2d_normalized \
  --save-dir ckpt/

# 预测
chemprop predict --test-path new.csv \
  --model-path ckpt/ --preds-path preds.csv \
  --uncertainty-method ensemble

选项	为什么要开
--split-type scaffold_balanced	随机划分会让指标虚高，骨架划分才反映外推能力
--ensemble-size 5	小数据下单模型方差大，集成同时提升精度与不确定性质量
--descriptors-generator rdkit_2d_normalized	图表示 + 全局描述符拼接，通常比纯图稳一截
--uncertainty-method ensemble	拿到每个预测的方差，用于判断可信度

超参搜索

chemprop hpopt --data-path train.csv --task-type regression \
  --search-parameter-keywords depth hidden_dim ffn_num_layers dropout \
  --raytune-num-samples 30 --hyperopt-save-dir hpopt/

常见有效区间：depth 3～6、hidden_dim 300～1200、dropout 0～0.35。收益通常不如「把数据清干净 + 用对划分 + 做集成」来得大，别在这里花掉大部分时间。

怎么读结果

• 先看基线对比：拿 ECFP4 + 随机森林作为对照。如果 Chemprop 赢不了指纹基线，多半是数据量太小（几百条以下）或标签噪声太大，此时该回头查数据而不是换模型。
• 看不确定性而不只看点预测：集成方差大的分子，说明落在训练分布之外，预测不该被采信。实际项目里，用不确定性做过滤比追求整体 RMSE 低更有价值。
• 关注适用域：D-MPNN 学的是相关性不是机理。对训练集里没有的新骨架，外推能力有限，这是所有分子性质模型的共同边界。
• 报告要完整：写清划分方式、折数、随机种子数、是否集成。只报一个 RMSE 而不说划分方式的结果，等于没报。

延伸资源

• 论文精读：131《Chemprop / D-MPNN 论文精读》；评测陷阱：169《Benchmark 陷阱》；
• 对照框架：172《DeepChem》、176《PyTorch Geometric》；特征工程：219《Molfeat》；
• 不确定性与适用域的概念背景见「AI 模型」模块。