图模型在分子信息学中的应用与实践.pdfVIP

图模型在分子信息学中的研究综述与展望

摘要

分子信息学作为化学、生物学与信息科学交叉的前沿领域，其核心

任务是从海量分子数据中提取有价值的信息，以指导新药研发、材

料设计及生命机制解析。分子本质上是由原子（节点）通过化学键

力池化等任务头将分子表示向量输入全连接网络进行回归预测连续值或分类预测类别优势相比基于指纹的方法能自动学习与任务相关的结构特征无需繁琐的特征工程且在多个公开数据集如上表现出更优的性能分子生成与计目标是从头生成具有特定性质的新分子图生成模型是

（边）连接而成的拓扑结构，天然适合用图（Graph）这一数据结

构进行表示。图模型，特别是图神经网络（GNNs）等深度学习技术，

因其能够直接、有效地处理图结构数据，在分子信息学领域展现出

巨大潜力并取得了显著成功。本文系统综述了图模型在分子信息学

中的关键应用进展。首先，阐述了分子图表示的基本原理，包括节

点、边及全局特征的构建方法。其次，详细梳理了图模型在分子性

质预测（如药物活性、毒性、溶解度）、分子生成与设计、化学反

应预测以及蛋白质-配体相互作用等核心任务中的应用策略与典型

模型。进而，深入探讨了面向分子图的专用图模型架构创新，如考

虑方向性与距离的图注意力网络、三维几何图神经网络等。最后，

分析了当前图模型在分子信息学应用中面临的数据质量、可解释性、