基于图Transformer的分子性质预测研究综述.docVIP

基于图Transformer的分子性质预测研究综述

一、分子性质预测的背景与技术演进

分子性质预测是药物研发、材料科学、环境化学等领域的核心基础任务，其本质是通过计算方法揭示分子结构与宏观性质之间的映射关系，从而降低实验筛选成本、缩短研发周期。传统分子性质预测方法主要依赖基于物理规则的分子动力学模拟和量子化学计算，这类方法虽然精度较高，但计算复杂度随分子原子数呈三次方甚至更高阶增长，对于包含数十个原子以上的有机分子、蛋白质复合物等体系，往往需要数小时甚至数天的计算时间，无法满足高通量筛选的需求。

机器学习方法的出现为分子性质预测提供了新的路径。早期的机器学习模型如支持向量机、随机森林等，需要人工设计分子描述符（如分子指纹、拓扑指数、量子化学描述符等）作为输入特征，特征质量直接决定模型预测性能，而人工特征设计高度依赖领域专家知识，且难以捕捉分子的全局结构信息。2010年之后，深度学习技术开始被引入分子建模领域，卷积神经网络（CNN）通过将分子转化为二维网格图像或SMILES字符串序列进行特征提取，一定程度上实现了自动特征学习，但SMILES字符串的线性结构无法直观反映分子的三维拓扑关系，不同的SMILES表示可能对应同一个分子，导致模型学习存在冗余性。

图神经网络（GNN）的兴起真正实现了分子结构的自然表示：分子可以被抽象为以原子为节点、化学键为边的图结构，GNN通过消息传递机制聚合