思路:把分子当图来学
分子天然是图结构:原子是节点、化学键是边。用图神经网络(GNN)直接在分子图上做表示学习,是药物发现里分子性质预测的主流路线之一。相比把分子压平成字符串特征,图方法能保留原子连接关系与局部拓扑,更适合预测水溶性、毒性、结合活性等性质。本文用 RDKit 把 SMILES 转成分子图,再用 PyTorch Geometric 训练一个两层的 GCN 做二分类(以“是否溶于水”为例,真实项目可替换为任意带标签的性质数据集),代码可在一台普通笔记本上复现。
步骤一:用 RDKit 把分子转为图数据
先用 RDKit 解析 SMILES,构造节点特征(原子序数、度数等)与边索引(化学键连接):
from rdkit import Chem
import numpy as np
def mol_to_graph(smiles):
m = Chem.MolFromSmiles(smiles)
if m is None:
return None
atoms = [a.GetAtomicNum() for a in m.GetAtoms()]
x = np.array(atoms, dtype='float32').reshape(-1, 1)
edges = []
for b in m.GetBonds():
i, j = b.GetBeginAtomIdx(), b.GetEndAtomIdx()
edges += [[i, j], [j, i]]
edge_index = np.array(edges, dtype='long').T
return x, edge_index
print(mol_to_graph('CCO')) # 乙醇:3 个节点
步骤二:用 PyTorch Geometric 定义 GCN
PyTorch Geometric 提供了 GCNConv 层与 Data 容器,下面定义一个极简两层 GCN,输出二分类 logits:
import torch
from torch_geometric.nn import GCNConv
from torch_geometric.data import Data
class MolGNN(torch.nn.Module):
def __init__(self, in_ch=1, hid=32):
super().__init__()
self.conv1 = GCNConv(in_ch, hid)
self.conv2 = GCNConv(hid, 2)
def forward(self, x, edge_index):
x = self.conv1(x, edge_index).relu()
x = self.conv2(x, edge_index)
return x
x, edge_index = mol_to_graph('CCO')
d = Data(x=torch.from_numpy(x), edge_index=torch.from_numpy(edge_index))
model = MolGNN()
out = model(d.x, d.edge_index)
print('logits shape:', tuple(out.shape))
步骤三:在带标签数据集上训练
真实预测需要一组带标签分子。下面给出训练循环骨架:把每个分子构造为 Data 样本,用交叉熵优化;实际项目中 label 可来自公开数据集(如溶解度、毒性标注):
from torch_geometric.loader import DataLoader
import torch.nn.functional as F
# samples = [Data(x=..., edge_index=..., y=torch.tensor([label])) for labeled mol]
# loader = DataLoader(samples, batch_size=32, shuffle=True)
opt = torch.optim.Adam(model.parameters(), lr=1e-3)
for epoch in range(20):
model.train()
for batch in loader:
opt.zero_grad()
loss = F.cross_entropy(model(batch.x, batch.edge_index), batch.y)
loss.backward(); opt.step()
print('epoch', epoch, 'loss %.4f' % loss.item())
提醒:示例用原子序数作为唯一节点特征,表达能力有限;实际建模应纳入更多原子/键特征(杂化、芳香性、手性等)并做标准化,同时注意训练集与测试集按 scaffold 划分以避免数据泄漏。GNN 预测结果仅作候选筛选参考,分子性质与安全性最终以实验测定与监管要求的合规检测为准。
参考来源
PyTorch Geometric 官方文档(GCNConv 与 Data 容器) - pyg.org;RDKit 官方文档(分子与 SMILES 处理) - www.rdkit.org。