图神经网络

分子表示方法中，SMILES 字符串紧凑、可直接套用语言模型，但不唯一、对细微结构变化不敏感；分子指纹（如 ECFP/Morgan 指纹）适合相似性搜索和传统机器学习，但丢失拓扑细节；图神经网络把原子当节点、化学键当边，是当前分子性质预测和生成的主流方案。

GNN 通过消息传递机制解决图数据中邻居数量不固定、顺序无意义的问题：每一层中，节点先聚合邻居的特征信息，再与自身表示结合并经过非线性变换更新。

Part 3 图机器学习涵盖图上的传统方法与特征工程、浅层节点嵌入、知识图谱嵌入、图神经网络，以及子图采样。

消息传递机制源自图神经网络（GNN）领域，指节点将信息编码后传递给邻居节点再聚合更新的迭代机制

GridSFM将电网建模为图，把母线作为顶点、输电线作为边，使用注意力模块处理电网结构，具备拓扑无关性

基于图神经网络的方法已被用于新型抗生素候选分子的筛选

over-squashing概念最初由Alon与Yahav在2021年针对图神经网络正式提出，描述长距离信息在传播中被指数级稀释乃至丢失的问题

图神经网络（GNN）是专为图结构数据设计的深度学习模型，分子可表示为原子-键图，GNN成为分子性质预测的主流架构之一

AI辅助药物研发（AIDD）方向重点包括靶点发现、虚拟筛选、分子性质预测、活性预测、ADMET预测、分子生成与优化，并会接触RDKit、分子描述符、机器学习、图神经网络

关系网络（Relation Network）或图神经网络的节点推断思路是：单个节点的属性不够确定时，其邻居节点的信息可以反向约束它

图神经网络（GNN）把图的拓扑结构与特征向量的线性变换绑定在一起

GNN 的表达能力上界与图同构判定问题密切相关，Weisfeiler-Leman（WL）图同构测试为 GNN 的表达力提供了理论刻画框架

图神经网络（GNN）通过在图结构上进行消息传递与聚合，能够直接处理分子结构、知识图谱、社交网络等非欧氏数据

抗菌肽发现中的专用AI模型通常基于图神经网络或蛋白质语言模型（如ESM系列），在已知抗菌肽序列与活性数据上训练

分子生成与优化可借助图神经网络（GNN）、变分自编码器（VAE）或扩散模型等生成具有特定性质的全新分子结构

AI模糊匹配利用NLP技术解析非结构化商户名称、通过向量相似度计算匹配交易描述，并可使用图神经网络建模多方交易关联

AI模糊匹配利用NLP技术解析非结构化商户名称、通过向量相似度计算匹配交易描述，并使用图神经网络建模多方交易关联关系

ProteinMPNN利用消息传递神经网络在给定骨架结构条件下预测最优氨基酸序列,解决逆折叠问题

RFdiffusion和ProteinMPNN等新一代蛋白质设计工具采用了扩散模型和图神经网络等先进架构

GraphSAGE、GAT等图神经网络架构已在社交网络分析、分子性质预测等场景中展现能力