Enhancing Molecular Property Predictions by Learning from Bond Modelling and Interactions

本文提出了名为 DeMol 的双图框架，通过结合原子中心与键中心的并行视角及多尺度双螺旋模块，有效捕捉了传统模型忽略的键级现象与复杂相互作用，从而在多个基准测试中实现了分子性质预测的新的最先进水平。

要点

这篇论文介绍了一种名为 DeMol 的新人工智能模型，它的任务是更聪明地预测分子的性质（比如一种新药是否有效，或者一种材料是否坚固）。

为了让你轻松理解，我们可以把分子想象成一个复杂的乐高积木城堡，而传统的 AI 模型就像是一个只盯着“积木块”（原子）看的初学者。

1. 旧方法的问题：只盯着“积木块”看

在传统的分子学习模型中，AI 主要关注原子（比如碳、氢、氧原子）。它把原子看作一个个独立的点，把连接它们的化学键仅仅看作是两点之间的一条简单的线。

• 比喻：想象你在看一个乐高城堡。旧模型只数有多少块红色的积木、多少块蓝色的积木，并记录它们谁挨着谁。
• 缺点：它忽略了积木之间的连接方式带来的神奇效果。
  • 比如苯环（一种特殊的分子结构），它的键不是简单的单线或双线，而是像一种“共享能量场”，让分子特别稳定。旧模型看不懂这种“共享”。
  • 再比如顺铂（一种抗癌药）和它的“镜像兄弟”反铂。它们的原子组成完全一样，只是连接方向不同（就像左手和右手）。旧模型分不清它们，但现实中顺铂能治病，反铂却没用。旧模型就像分不清左右手一样，无法理解这种空间上的微妙差异。

2. DeMol 的突破：双管齐下，既看“块”也看“线”

为了解决这个问题，作者发明了 DeMol。它的核心思想是：不仅要关注积木块（原子），还要专门关注积木之间的连接（化学键）以及连接之间的关系。

DeMol 就像是一个拥有“双重透视眼”的高级建筑师，它同时通过两个通道来观察分子：

• 通道一：原子视角（Atom-centric）
  • 就像普通模型一样，看每个原子是什么，它们在哪里。
• 通道二：化学键视角（Bond-centric）
  • 这是创新点！ 在这个通道里，化学键变成了主角。AI 把“连接”本身当作一个独立的对象来研究。
  • 比喻：就像你不仅看积木块，还专门拿放大镜看积木之间的“卡扣”和“缝隙”。你会注意到，有些卡扣是紧密咬合的（双键），有些是松散的（单键），有些卡扣之间还互相影响（共振）。

3. 核心技术：双螺旋积木块（Double-Helix Blocks）

有了这两个视角，怎么把它们结合起来呢？DeMol 使用了一种叫**“双螺旋积木块”**的机制。

• 比喻：想象 DNA 的双螺旋结构。DeMol 让“原子视角”和“化学键视角”像两条螺旋线一样，不断地互相交流信息。
  • 原子告诉化学键：“我旁边有个大个子，你要注意。”
  • 化学键告诉原子：“我们俩连在一起的角度很特别，这决定了整个分子的性格。”
• 这种交流让 AI 能同时理解：
  • 原子和原子怎么互动。
  • 原子和化学键怎么互动。
  • 化学键和化学键怎么互动（这是以前最容易被忽略的，比如顺铂和反铂的区别就在于键与键的空间排列）。

4. 给 AI 加上“化学常识”：共价半径正则化

为了防止 AI 瞎编乱造（比如把两个原子连得比它们实际能接触的距离还远，这在化学上是不可能的），DeMol 加了一个**“化学常识检查员”**。

• 比喻：就像教小孩子搭乐高，你告诉他：“这块积木和那块积木如果离得太远，是搭不上的。”
• 这个检查员利用共价半径（原子的大小）来惩罚那些不符合化学物理规律的预测，确保 AI 学到的结构是真实可信的。

5. 结果：大获全胜

作者在多个著名的“分子考试”（数据集，如 PCQM4Mv2, OC20, QM9 等）上测试了 DeMol。

• 成绩：DeMol 在所有测试中都击败了之前的所有冠军模型，创造了新的世界纪录。
• 意义：这证明了，如果我们不再把化学键仅仅看作简单的线，而是把它们当作有生命、有互动的主角来研究，AI 就能更准确地预测药物的效果、材料的强度，甚至帮助科学家发现新的分子。

总结

简单来说，DeMol 就像是从“只看积木块”升级到了“既看积木块，又看积木间的连接方式，还看连接之间如何互相影响”的超级建筑师。它通过这种双重视角和严格的化学规则，让我们对分子世界的理解更加精准，为未来的新药研发和材料科学打开了新的大门。

技术摘要

这是一篇发表于 ICLR 2026 的会议论文，题为 "ENHANCING MOLECULAR PROPERTY PREDICTIONS BY LEARNING FROM BOND MODELLING AND INTERACTIONS"（通过键建模与相互作用学习增强分子性质预测）。作者来自香港理工大学。

以下是对该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 现有局限： 传统的分子表示学习方法（如基于图神经网络 GNN 的模型）通常采用**原子中心（Atom-centric）**的视角，将化学键仅仅视为原子之间的成对交互（边）。
• 核心缺陷： 这种视角忽略了化学键本身蕴含的丰富信息（如键级、键长、杂化态）以及复杂的键级现象（如共振、立体选择性）。
  • 案例 1（共振）： 苯环中的单双键交替并非孤立存在，而是形成了离域 $\pi$ 电子体系，这种集体行为无法仅通过原子间的成对交互来描述。
  • 案例 2（立体异构）： 顺铂（Cisplatin）和反铂（Transplatin）具有相同的原子组成和键属性，但键的空间排列（顺式 vs 反式）不同，导致药效截然不同。现有的原子中心模型难以捕捉这种非加性的**键 - 键（Bond-Bond）**相互作用。
• 目标： 解决现有模型在捕捉复杂化学键属性和键间相互作用方面的不足，提升分子性质预测的准确性。

2. 方法论 (Methodology)

作者提出了 DeMol（Dual-graph enhanced Multi-scale interaction framework for Molecule representation learning），这是一个双图增强多尺度交互框架。

2.1 理论动机 (Theoretical Motivation)

作者首先从信息论角度证明了引入“键中心图”的必要性：

• 命题 1（信息增益）： 键中心图 $L(G)$ 的熵包含原始图 $G$ 的熵加上边邻接模式的条件熵，证明了键中心视角能捕捉原始图中缺失的高阶结构信息。
• 命题 2（互信息分解）： 双图学习（原子图 + 键图）能保留比单图学习更多的互信息，特别是原子 - 键和键 - 键的残差依赖关系。
• 命题 3（几何信息增益）： 键中心图是表示键角（$\theta$）和二面角（$\phi$）等复杂几何关系的自然域，能显式编码几何信息。
• 命题 4（信息瓶颈）： 双图输入为信息瓶颈优化提供了更丰富的输入，有助于在压缩信息和保留预测能力之间取得更好的平衡。

2.2 框架架构 (Framework Architecture)

DeMol 包含两个并行的编码通道和交互模块：

1. 原子中心通道 (Atom-centric Channel)：

   • 处理原子图 $G=(V, E)$。
   • 编码 3D 欧氏距离（高斯基核）和 2D 最短路径距离（SPD）。
   • 通过自注意力机制更新原子嵌入。

2. 键中心通道 (Bond-centric Channel)：

   • 处理线图 $L(G)$，其中节点代表化学键，边代表共享原子的键之间的连接。
   • 编码键的 3D 距离、2D 路径，并创新性地引入了扭转编码（Torsion Encoding），显式包含键角和二面角信息。
   • 通过自注意力机制更新键嵌入。

3. 双螺旋块 (Double-Helix Blocks)：

   • 这是核心交互模块，用于在原子和键表示之间进行多尺度的交叉注意力（Cross-Attention）。
   • 允许原子查询其连接的键，键也查询其包含的原子。
   • 实现了原子 - 原子、原子 - 键、键 - 键三种复杂交互的动态融合。

4. 正则化与约束：

   • 基于共价半径的键预测 (Bond Prediction based on Covalent Radii)： 作为一个正则化项，根据共价半径阈值预测化学键，惩罚几何上不合理（如距离过远或过近）的结构，确保化学合理性。
   • 结构感知掩码 (Structure-aware Mask)： 基于化学价键规则（键长通常小于 3-5 Å）稀疏化注意力计算，降低计算复杂度，同时保留长程相互作用。

3. 关键贡献 (Key Contributions)

1. 理论创新： 首次从信息论角度严格论证了“键中心图”在分子表示学习中的信息增益和几何优势，为双图架构提供了坚实的理论基础。
2. 架构设计： 提出了 DeMol 框架，通过双图并行编码和双螺旋交互块，显式建模了原子 - 键和键 - 键的复杂相互作用，解决了传统模型忽略键级现象（如共振、立体异构）的问题。
3. 几何一致性： 引入了基于共价半径的键预测正则化和扭转角编码，强制模型学习符合物理化学原理的几何结构。
4. 性能突破： 在多个基准测试中刷新了最先进（SOTA）记录，证明了显式建模键信息的有效性。

4. 实验结果 (Results)

DeMol 在四个主要基准数据集上进行了广泛评估：

• PCQM4Mv2 (HOMO-LUMO 能隙预测)：
  • 在验证集上达到 MAE 0.0603 eV，优于之前的 SOTA 模型 TGT-At (0.0671 eV)，提升了约 10.1%。
  • 仅用单模型即超越了使用 112 个模型集成的 GPS++。
• Open Catalyst 2020 (OC20 IS2RE)：
  • 在吸附能预测任务中，平均能量 MAE 为 0.3879 eV，优于 Unimol+ 和 TGT-At。
  • 在域内（ID）和域外（OOD）场景下均表现出最高的能量阈值内百分比（EwT），证明了极强的泛化能力。
• QM9 (量子化学性质预测)：
  • 在 12 个目标性质中，DeMol 在 HOMO、LUMO、能隙、ZPVE 等关键指标上达到 SOTA。
  • 尽管 QM9 分子较小，DeMol 仍能通过键级交互捕捉到细微的量子力学信息。
• MoleculeNet (分子性质分类)：
  • 在 8 个二分类数据集（如 BBBP, Tox21, HIV 等）上，平均 ROC-AUC 达到 79.96，全面超越现有基线。
  • 特别是在 BBBP、Tox21 和 HIV 等任务上表现优异。

消融实验 (Ablation Study)：
实验证明，原子图和键图的结合是性能提升的关键（MAE 从单图的 77.2/89.9 meV 降至 65.4 meV），而引入几何约束（共价半径、扭转角）和交叉注意力机制进一步将误差降低至 60.3 meV。

5. 意义与影响 (Significance)

• 范式转变： 该工作挑战了分子表示学习中“原子是主要实体”的传统假设，确立了化学键作为独立实体进行建模的重要性。
• 解决复杂化学问题： 通过显式建模键 - 键相互作用，DeMol 能够有效处理立体选择性、共振效应等传统模型难以捕捉的化学现象，这对于药物设计（如区分顺/反异构体）和材料科学至关重要。
• 通用性与鲁棒性： 模型在从简单小分子（QM9）到复杂催化系统（OC20）再到药物筛选（MoleculeNet）的广泛任务中均表现优异，展示了强大的迁移学习能力。
• 未来方向： 为构建更精确、更符合物理化学原理的分子机器学习模型提供了新的架构思路，特别是在处理需要精细几何和电子结构信息的任务时。

总结： DeMol 通过理论驱动的双图架构，成功将化学键的复杂交互纳入深度学习框架，显著提升了分子性质预测的精度，是分子表示学习领域的一项重要突破。