1. 引言 1.1. 分子性质预测概述 分子性质预测是计算机辅助药物发现流程中至关重要的任务之一，它在许多下游应用如药物筛选和药物设计中发挥着核心作用： 1.1.1. 目的与重要性： 分子性质预测旨在通过分子内部信息（如原子坐标、原子序数等）对分子的物理和化学性质进行预测。这有助于快速从大量候选化合物中筛选出符合特定性质的化合物，从而加速药物筛选和设计的流程。 1.1.2. 传统方法：

建立消息传递网络MPNN 本文主要从实现层面讲解代码。 在Graph中，如果将卷积这一操作推广到其他域中时，往往用邻域聚合或消息传递来表示。 接下来有定义几个Notation： x i ( k ) \textbf{x}_i^{(k)} xi(k)​表示第 k k k次迭代的节点 i i i的节点特征； e j , i \textbf{e}_{j,i} ej,i​表示从节点 j j j到节点

The state encoder is mainly composed of MPNN layers organized into DenseNet blocks, which use graph pooling and unpooling layers (see Section S1.5†) to reduce the memory cost during training.

首先，假如我们定义一个极简的传递规则 A是邻接矩阵，X是特征矩阵， 其物理意义就是 通过矩阵乘法操作，批量把图中的相邻节点汇聚到当前节点。 但是由于A的对角线都是 0.因此自身的节点特征会被过滤掉。 图神经网络的核心是 吸周围之精华，再叠加自身，因而需要改进来保留自身特征。如何做？ 方法是给每个节点添加一个自环，即将邻接矩阵对角线值各加1，此时用表示，做到了聚合邻居节点并保留自身信息。