分子图、SMILES与RDKit

一句话理解：SMILES把分子写成一行文本，RDKit负责读懂这行文本并还原成“原子是节点、化学键是边”的分子图。

1. 为什么分子适合表示成图

普通表格要求每个样本有固定位置的特征，但不同药物含有的原子数不同。图结构更自然：

SMILES（Simplified Molecular Input Line Entry System）使用字符和符号描述分子连接关系。例如字母表示元素，括号表示支链，数字常用于标记环闭合。它是线性字符串，但表达的是图结构。

一个重要提醒：同一分子可能有不止一种合法SMILES写法，所以模型真正应依赖的是解析后的分子结构，而不是字符串表面的字符顺序。

在A3Net的数据处理中，RDKit大致承担：

因此，SMILES是输入格式，RDKit是化学信息学工具，分子图才是GAT真正接收的数据结构。

若某药物有 $n$ 个原子，每个原子编码为 $d$ 维特征，则节点矩阵为：

X\in\mathbb R^{n\times d}

边用edge_index记录每条键两端节点。A3Net把每个原子编码成109维，再交给图注意力网络GAT更新。由于每种药物的 $n$ 不同，多个药物训练时通常使用图批处理，而不是强行补成同样大小。

这些109维是由RDKit从已知化学结构读取并按规则编码的初始特征，不是训练后得到的药物向量。GAT、交叉注意力和池化在此基础上学习出整个药物的最终表示；副作用侧相应地以MedDRA术语层级的243维初始特征为起点。

GAT输出的是每个原子的向量，但最终要预测的是整个药物。于是需要池化：

h_{drug}=\operatorname{Pool}(h_1,h_2,\ldots,h_n)

A3Net使用global max pooling，即每个维度取所有原子中的最大值。它能保留最强响应，但会丢失“哪个原子产生了该响应”和原子数量等信息。