基于图神经网络的分子性质预测与药物筛选.docxVIP

PAGE2

基于图神经网络的分子性质预测与药物筛选

摘要

药物研发面临着周期漫长、成本高昂且失败率居高不下的困境。传统实验筛选方式效率低下，而基于计算的方法虽有所突破，但在处理分子结构内在拓扑关系时仍显不足。本课题围绕“分子图结构建模—消息传递网络学习—性质预测与药物筛选”这一主线，设计并实现了一种基于图神经网络的分子性质预测系统。系统以分子SMILES为输入，通过图构建模块将分子转化为原子与化学键图，利用消息传递神经网络（MPNN）学习原子级和键级特征，进而预测分子的溶解度和毒性终点，为早期药物筛选提供定量决策依据。

论文首先从需求分析出发，明确了预测精度、响应时间与可扩展性等具体指标；随后在总体设计中给出了分层架构与功能模块划分方案；详细设计部分深入阐述了图构建、消息传递、读出函数等核心模块的算法流程；实现环节展示了基于PyTorchGeometric和RDKit的开发过程与关键代码；测试部分采用ESOL和Tox21数据集对模型性能进行系统验证。结果表明，MPNN在溶解度预测中RMSE达到0.58，在毒性预测中AUC达到0.82，相较传统分子指纹方法具有明显优势。本设计的核心创新在于将分子拓扑显式编码为图，并利用消息传递机制自适应提取结构特征，实现了端到端的分子性质预测，为人工智能辅助药物筛选提供了可行方案。

第一章绪论

1.1研究背景

在药物研发领域，候选分子的性