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、分子性质预测的研究背景与核心挑战

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，其目标是通过计算方法快速预测分子的物理化学属性、生物活性、毒性等关键性质，从而大幅降低实验筛选的时间与经济成本。传统的分子性质预测方法主要依赖基于量子力学的模拟（如密度泛函理论DFT）、定量构效关系（QSAR）模型以及基于分子指纹的机器学习方法，但这类方法存在明显局限性：DFT模拟计算复杂度随分子大小呈立方级增长，难以处理大规模分子库筛选；传统QSAR模型依赖人工设计的分子描述符，泛化能力受限于专家经验，对复杂结构-活性关系的捕捉能力不足。

随着深度学习技术的发展，图神经网络（GNN）凭借对分子图结构的天然适配性，逐渐成为分子性质预测的主流方法。GNN通过消息传递机制学习原子与化学键的特征表示，能够自动提取分子的结构信息，在多个基准数据集上取得了超越传统方法的性能。但标准GNN仍存在关键瓶颈：其一，消息传递的感受野有限，难以有效捕捉分子中的长程相互作用（如蛋白质-配体结合中的远程氢键、共轭体系中的电子离域效应）；其二，平等对待所有相邻节点的消息传递模式，无法区分不同交互的重要程度，难以建模分子中复杂的注意力机制；其三，对全局结构信息的整合能力不足，无法充分利用分子的拓扑、对称性等高阶特征。

图Transformer（GraphT