基于图神经网络的分子对接与虚拟筛选研究综述.docVIP

基于图神经网络的分子对接与虚拟筛选研究综述

一、图神经网络在分子表示学习中的核心适配性

分子天然具有图结构属性：原子作为节点，化学键作为边，其三维空间排布、电荷分布、官能团相互作用等关键信息，均可通过图结构完成端到端的编码。传统分子表示方法如SMILES字符串、分子指纹或固定描述符，往往存在信息损失问题：SMILES的一维线性结构无法直接反映分子三维构象，扩展连通性指纹（ECFP）仅能编码局部子结构信息，难以捕捉长程原子相互作用与空间拓扑特征。图神经网络（GNN）通过消息传递机制，能够自适应地学习原子周围的局部环境特征与全局结构关联，与分子的固有属性高度契合。

目前主流的分子GNN架构可分为三类：第一类是基于空间域的消息传递GNN（MPNN），代表性工作如SchNet、DimeNet，通过引入连续滤波卷积层，直接处理原子的三维坐标信息，能够精准建模分子内的短程与长程相互作用，其学习到的分子表示已在QM9等量子化学属性预测数据集上达到接近从头算的精度；第二类是基于注意力机制的GNN，如GAT、Graphormer，通过引入自注意力权重动态调整不同原子间的信息传递强度，尤其适合处理分子中的共轭体系、氢键网络等存在非局部强相互作用的场景；第三类是几何感知GNN，如EGNN、PaiNN，在消息传递过程中严格遵循物理对称性（如平移、旋转、置换不变性），无需额外的数据增强即可学习到分子构象的本