7、分子图神经网络：原理、应用与前沿进展

分子图神经网络：原理、应用与前沿进展

1. 图神经网络基础

图神经网络（GNN）是一种专门用于处理图结构数据的深度学习模型。在传统的深度学习中，数据通常是规则的，如图片（二维矩阵）、文本（一维序列）。然而，现实世界中许多数据具有图结构，例如社交网络、分子结构等。图由节点（如分子中的原子）和边（如分子中的化学键）组成，GNN 能够有效地学习图的特征和表示。

一些早期的图神经网络模型包括谱卷积网络和局部连接网络。谱卷积网络通过图的拉普拉斯矩阵的特征分解来定义卷积操作，如 Bruna 等人在 2013 年提出的谱网络和局部连接网络。而 Defferrard 等人在 2016 年提出了具有快速局部谱滤波的图卷积神经网络，提高了计算效率。

2. 分子表示方法

在分子领域，准确的分子表示是进行各种计算和预测的基础。常见的分子表示方法有：
- SMILES ：由 Weininger 在 1988 年提出，是一种化学语言和信息系统，用于将分子结构编码为字符串。例如，水分子可以表示为“O”。
- SELFIES ：Krenn 等人在 2020 年提出的自引用嵌入式字符串，是一种 100% 鲁棒的分子字符串表示方法，能够更好地处理复杂的分子结构。
- 扩展连接指纹 ：由 Rogers 和 Hahn 在 2010 年提出，通过计算分子的连接信息来生成指纹，用于分子的相似性比较和分类。

3. 分子图神经网络模型

• SchNet ：Schütt 等