DGL-LifeSci：生命科学图深度学习工具包

DGL-LifeSci 是亚马逊 DGL 团队维护的生命科学扩展包，在 DGL 图框架之上提供分子与蛋白任务的现成模型、特征化器和数据集。它和 PyG 系是两条并行的技术路线，功能重叠度高，选哪条主要看团队既有栈。

安装

pip install dgl -f https://data.dgl.ai/wheels/repo.html
pip install dgllife
python -c "import dgllife; print(dgllife.__version__)"

DGL 主包需按 CUDA 版本选对应 wheel 源；DGL 后端可切 PyTorch / TensorFlow / MXNet，实践中用 PyTorch。

提供什么

典型用法

from dgllife.utils import smiles_to_bigraph, CanonicalAtomFeaturizer
from dgllife.model import GCNPredictor
from dgllife.data import MoleculeCSVDataset
import torch

atom_feat = CanonicalAtomFeaturizer()
dataset = MoleculeCSVDataset(
    df, smiles_to_bigraph, atom_feat,
    smiles_column="smiles", cache_file_path="graphs.bin", task_names=["logS"])

model = GCNPredictor(in_feats=atom_feat.feat_size(),
                     hidden_feats=[256, 256], n_tasks=1)
# 训练循环用标准 PyTorch 写法；注意 collate 时需用 dgl.batch 合并图

它有一个实用亮点：load_pretrained() 可直接取到在 ChEMBL / ZINC 上自监督预训练过的 GIN 权重，小数据任务上做迁移学习很省事。

from dgllife.model import load_pretrained
model = load_pretrained("gin_supervised_contextpred")   # 预训练 GIN

和 PyG 怎么选

• 生态规模：PyG 社区更大、新算子跟进更快，第三方代码大多基于 PyG。只看「能找到多少可复用实现」，PyG 占优。
• 开箱程度：DGL-LifeSci 的分子任务封装更完整——特征化、模型、数据集配套齐全，少写胶水代码。想直接跑 AttentiveFP 或用预训练 GIN，它更快。
• 维护活跃度：DGL-LifeSci 的更新节奏近年偏慢，新方法覆盖不如 PyG 生态。做前沿方法研究要留意这一点。
• 务实建议：新项目默认 PyG；已在用 DGL 的团队没必要为分子任务迁移；只是想快速试 AttentiveFP 或预训练 GIN，直接用它取权重最省事。

延伸资源

• 对照框架：176《PyTorch Geometric》、175《TorchDrug》、172《DeepChem》；
• GNN 基础：006《Stanford CS224W 图神经网络》；预训练范式见「AI 模型」模块。