0.1 全书目录
| 章 | 主题 | 小节 | 对应项目 |
|---|---|---|---|
| 第一章 | 从药物发现到分子机器学习 | 1.1 药物发现的漏斗 · 1.2 分子的三种面貌 · 1.3 数据与评估 | 问题框架 |
| 第二章 | 化学信息学的地基 | 2.1 分子图与 Mol 对象 · 2.2 SMILES · 2.3 SMARTS 与子结构匹配 · 2.4 分子描述符 · 2.5 摩根指纹与 Tanimoto · 2.6 清洗与标准化 · 2.7 化学反应的表示 | RDKit |
| 第三章 | 分子性质预测 | 3.1 三层抽象 · 3.2 特征化管线 · 3.3 基线与 ROC · 3.4 图卷积的来龙去脉 · 3.5 消息传递与读出 · 3.6 AttentiveFP · 3.7 多任务与不平衡 · 3.8 早停与诚实评估 | DeepChem |
| 第四章 | 分子生成 | 4.1 问题定义与评估 · 4.2 自回归图生成 · 4.3 策略梯度 · 4.4 GCPN · 4.5 流模型 · 4.6 GraphAF · 4.7 前沿：扩散与三维 | TorchDrug |
| 第五章 | 生态、迁移与实战心法 | 5.1 生态版图 · 5.2 环境与复现 · 5.3 陷阱与学习路线 | 生态与迁移 |
0.2 体例与版本口径
各节正文按“概念—机理—推导—假设与局限”展开：公式按节编号并给出符号说明；图示为内联矢量图；每节配有二至四个习题（含解答）、关键术语表与参考文献，文献只列真实可查者。代码出现的目的只有一个——印证刚讲过的原理，因此都是片段而非工程模板。
版本口径（2026 年 8 月核实）：RDKit 活跃维护，教程按 2026.03 系列语法；DeepChem 稳定版为 2.8.0，接口以此为准；TorchDrug 冻结于 0.2.1（官方兼容上限为 Python 3.10 与 PyTorch 2.0），其思想由第五章介绍的 Graphium 等活跃项目承接。框架会老去，原理不会——这是全书取舍的依据。