图模型在分子信息学中的研究综述与展望

摘要

分子信息学作为化学与人工智能交叉融合的前沿领域，正迅速推动药物设计与功能材料开发等领域的技术革新.分子表示学习作为其核心基础，通过将分子结构编码成保留其拓扑与理化性质的数值向量，为分子性质预测和分子生成等下游任务提供高效特征表示.相比基于规则和基于字符序列的表征，图模型能够充分利用分子天然的图结构（原子为节点、化学键为边），能够精准捕捉分子拓扑信息和复杂相互作用，现已成为该领域的主流技术.本文系统综述了图模型在分子信息学中的最新研究进展和应用.首先详细梳理了分子表征方法的发展历程，阐述图模型的基本概念和独特优势.其次，围绕分子性质预测和分子生成两大核心任务，系统梳理了常用数据集、评价指标以及各类图判别和图生成模型的特点与研究现状.同时，结合材料性能预测与晶体生成任务，探讨了不同深度图模型在实际应用中的优缺点、适用场景以及技术挑战.最后，探讨了大规模预训练、可解释性方法和多模态学习等新兴趋势在分子信息学中的应用潜力，并展望了未来研究方向.本综述旨在为化学领域研究者快速定位前沿技术与适用方法，同时为人工智能领域研究者梳理技术路线，以推动更高效的算法设计及其在分子信息学中的落地应用.

关键词

图模型 / 分子信息学 / 分子性质预测 / 分子生成 / 分子表示学习

基金资助

国家重点研发计划资助项目（2024YFF0728900）; 国家材料腐蚀与防护科学数据中心建设