3.2 特征化管线：分子如何变成模型输入

3.2.1 特征化谱系：向量与图

3.1 节把 DeepChem 拆成数据、特征化、模型三层，本节钻进中间那层。特征化(featurization)只做一件事：把一个化学对象——SMILES 字符串、Mol 对象、反应式——改写成模型能读取的数字块。改写规则一旦固定，模型的世界随之固定：此后它只见数字，不见分子。第二章已经备好两种成品。描述符（2.4 节）把分子压成约两百维的理化与拓扑数字，指纹（2.5 节）把圆形子结构集合折叠成定长位向量（Rogers & Hahn, 2010）。两者共享同一条路线：整分子 → 定长向量。结构信息在特征化这一步就烧进向量，模型的全部任务只剩从向量到标签的映射。

图特征化换一条路：不压扁，把分子图原样交出——每个原子一行特征，每条键一条通路记录。结构留给模型，让图卷积（3.4 节）与消息传递（3.5 节）在训练中自己学会怎么读它（Kearnes et al., 2016; Duvenaud et al., 2015）。向量一族与图一族的分野，恰好对应传统机器学习与图神经网络的分野；表 3.2-1 把 DeepChem 里常用的特征化器沿这条线排开。

表中最后一行值得单说一句：Weave 不只为成键的原子对造特征，而是为任意两个原子——包括相隔很远的——都造特征，把「远距关系值不值得看」也交给模型裁决；代价是特征量按原子数平方增长，大分子上内存吃紧（Kearnes et al., 2016）。选表中哪一行不是工程口味，而是先验声明——这一点 3.2.5 节正面展开。先从图一族共同的骨架讲起：字段表。

3.2.2 图特征化的字段表

图特征化器交给模型的不是一个张量，而是一个三元组：节点特征(node features)矩阵 X ∈ {0,1}^n×d（n 个原子，每个 d 维）、边索引(edge index)表（m 条键各拆成两个有向条目）、边特征矩阵 E（每条有向边一行）。d 是多少、每一维是什么，完全由字段表(feature schema)决定。表 3.2-2 列出一张典型字段表：它综合了 DeepChem 图特征化器与经典图卷积实现的常用取项（Duvenaud et al., 2015; Kearnes et al., 2016），也是本节习题沿用的工作表。

逐条追问「为什么放进去」，答案都是同一个句式：该字段承载的化学，被认为足以区分与目标性质相关的原子环境。元素表只收十几种常见元素，罕见元素落入「其他」桶——这是覆盖范围的显式声明。度与氢数合起来给出饱和度：同为碳，甲基碳与羰基碳在（度、杂化）两栏就已分开。手性标签要占好几维，因为对映体在许多表示里塌缩成同一个向量，而它们的药理差异可以有数量级——沙利度胺是最沉痛的注脚。字段之间允许冗余：芳环原子必在环中，度与氢数强相关。冗余无害，学习器自行取舍；缺失有害，而且训练无法弥补（3.2.5 节）。

图 3.2-1 把整条流水线画成字段流：SMILES 先解析为分子图（第 2 章），原子与键分别流向两张表。

下面印证字段表的形态：对阿司匹林做图特征化，打印三元组的形状。

import deepchem as dc

feat = dc.feat.MolGraphConvFeaturizer()             # 字段表：元素/形式电荷/杂化/氢键/芳香/度/氢数
g = feat.featurize(["CC(=O)Oc1ccccc1C(=O)O"])[0]    # 阿司匹林 → 图 3.2-1 那样的三元组
print(g.node_features.shape)    # (13, 30)：13 个原子 × 30 维字段
print(g.edge_index.shape)       # (2, 26)：13 条键，每条拆成两条有向边
print(g.node_features[0][:4])   # 首原子碳的元素 one-hot 前缀：类别落在正交基的一个方向

三个数字一一对回字段表：13 是原子数（矩阵行数），30 是 DeepChem 默认字段表折算的列数（思想同表 3.2-2，取项与档位由实现自定），26 是 13 条键的双向展开。同一个分子换一张字段表，形状与语义都随之改变；字段表是特征化器与模型之间的契约。

3.2.3 one-hot：维度换正确性

表 3.2-2 里反复出现 one-hot，值得把它的数学语义讲透。元素、键型、杂化都是类别变量(categorical variable)：取值之间没有大小，也没有远近。「碳」不比「氮」小，单键不比双键近。编码若图省事直接给整数——C=0、N=1、O=2、S=3——线性代数看不出这是类别，它只认数字，而数字自带序与距离：C 到 O 距离为 2、C 到 N 距离为 1，编码什么都没解释，却已替你声明「O 比 N 离 C 更远」，还顺带声明了全序 C<N<O<S。这两条声明在化学里都不成立。

两条公式带来三条推论。其一，内积 e(a)^Te(b) = 0（a≠b）：类别各占正交基的一个方向，互不干扰。其二，距离恒为 √2：虚假的远近被抹平，「远近」这张白纸重新变白，模型想给两类安什么关系，由数据说了算。其三，线性层 w·x + b 在 one-hot 下对第 k 类的输出是 w_k + b：每个类别配一个自由权重，类别上的任意实值函数都能表出。整数编码做同一件事，输出只能沿虚构的数值轴等距排开——N 的取值被迫落在 C 与 O 的正中间，三类取值共线（习题 3.2-2 把这条约束算清楚）。

代价是维度膨胀：K 类换 K 维，元素表 16 类就是 16 列，其中 15 列对任何一个原子永远是 0。这笔账用维度换正确性——宁可稀疏，不注入虚假结构。稀疏并不贵：一个 44 维节点特征只有几个 1，按「位置、值」存储，实际占用与类别总数基本无关；稠密化只发生在进入网络、与权重矩阵相乘的一刻，而 one-hot 乘矩阵就是按类别取回对应权重行（查表），比真正的乘法还快。两相比较，把虚假距离喂给模型，之后用多少数据都洗不掉；多给几十列零，几乎不花钱。

3.2.4 图的批处理：拼接与偏移

向量一族天然好批：等长向量按行堆叠，得到 (B, d) 的规则张量。图没有这个福气：乙醇 3 个原子，青霉素几十个，多肽成百上千，(n, d) 的 n 各不相同，堆不进同一个张量。第一条出路是填充对齐：把小图补零到批内最大节点数，再配掩码告诉模型哪些是真原子。可行，但浪费随批内尺寸离散度增长，而且任何一层忘了传掩码，结果就错。第二条出路更彻底：不堆叠，拼接——把一批分子拼成一张图批处理(graph batching)意义上的大图，即若干分子图的不相交并(disjoint union)。

拼接后，第 m 个分子的节点原样接在前面分子之后，它的边 (i, j) 整体平移 o_m。关键性质由构造直接保证：跨连通块没有边。消息传递每一步只沿边走（3.5 节），块间无边，块与块就互不通信——在大图上跑 L 层消息传递，与逐个分子各跑 L 层，输出严格相同。批处理只是重排了内存，没有改动计算语义。图 3.2-2 画出这张大图与偏移的账。

剩下的技术问题是读出：大图混着多个分子，读出函数（3.5 节）按块聚合才能得到每个分子的向量。为此批数据额外带一个 batch 指示向量，标记每个节点属于哪个连通块——它正是偏移序列的逆映射。从 GPU 视角看，拼接后的批仍是一组规则张量（相接的节点矩阵、平移后的边索引），稀疏的 gather/scatter 执行高效。填充与拼接并非对立：需要逐节点对齐的任务（如分子生成）仍用填充；在性质预测的主路上，拼接是默认做法。

3.2.5 特征化即归纳偏置

现在把前面的线索拧成一句话：字段表是归纳偏置(inductive bias)的注入点。选定表 3.2-2，等于向模型声明先验：「与目标性质相关的化学，都在这些字段里。」1.2 节说表示决定上限，这里给出机制：不在字段表里的属性，模型永远学不到。损失函数再聪明、数据再多，都只能在表示之内找规律；表示之外的差异，在特征化那一刻已经消失。

一个干净的反例是电荷异构体(charge isomers)。字段表若不含形式电荷——省掉它并非罕见，一些精简表只留元素、度、键型与环隶属——甘氨酸的中性形式 NCC(=O)O 与两性离子 [NH3+]CC(=O)[O-] 就折叠成同一份输入：元素逐位相同、重原子度相同、键型相同、无环无芳。输入恒等，输出必然恒等，模型被迫对生理 pH 下的主导形式与中性形式给出同一个数。这不是拟合误差，是表示层面的恒等（习题 3.2-3 给出完整论证）。

DeepChem 默认表保留了形式电荷，两种形式因此可分；下面的代码把这笔账摆出来，并看一眼量子化学任务常用的加宽字段表。

g1 = feat.featurize(["NCC(=O)O"])[0]             # 甘氨酸：中性形式
g2 = feat.featurize(["[NH3+]CC(=O)[O-]"])[0]     # 甘氨酸：两性离子（质子转移）
diff = (g1.node_features != g2.node_features).any(axis=1)  # 默认表含形式电荷一栏
print(diff.sum())    # 2：只有 N 与 O 的特征行不同——电荷字段记下了质子转移
z = dc.feat.MolGraphConvFeaturizer(use_partial_charge=True)  # QM 类任务常追加部分电荷
print(z.featurize(["NCC(=O)O"])[0].node_features.shape[1])   # 字段表加宽一列

反方向的坑同样真实。字段表越宽、类别档位越多，稀有档位（某个罕见元素、某种罕见杂化）的训练样本就越少，权重学不动，反而拖累泛化。量子化学任务常反其道行之：标签对电荷分布敏感，特征化便追加部分电荷等字段，MoleculeNet 的 QM 系列甚至把 Mulliken 电荷直接列为预测目标（Gilmer et al., 2017; Wu et al., 2018）。字段的取舍是设计决策，值得一份决策流程。

3.2.6 失败模式：解析失败与静默偏差

字段表管「分子变成什么」，还有一类失败发生在更早：SMILES 变不成分子的那批样本。语法错误、价键违例（六价碳）、空字符串——解析器只能返回空。特征化管线此刻面临选择。策略一：丢弃并计数，失败样本出列，数据集少几行。策略二：以空特征哨兵(sentinel features)顶替——零向量或专门的标志位占住这一行，样本留在数据集里，训练时按掩码剔除或交给模型自行处理。

两种策略没有绝对优劣，纪律比选择重要。丢弃的危险在于「静默」：被打进日志一行的 warning，在数据集层面悄悄改写分布。容易解析失败的分子——金属有机、多电荷物种、大环、配体复合物——恰恰最不寻常，也常常最值得预测；它们成批消失后，训练分布变「干净」，模型在寻常分子上的指标好看，而在最需要预警的地方没有声音。2.6 节的清洗是主动决策：丢什么、为何丢，逐一记录；这里的丢弃多半是默认行为，绕过了审查。到 3.8 节评估时，这笔账必须翻出来：成绩单只覆盖幸存者，诚实的评估要求同时报告特征化成功率与失败清单（Ramsundar et al., 2019）。

哨兵方案的真正价值在审计而非建模：失败被显式表示，就能按子集统计失败率、按时间监控漂移，数据质量恶化时第一时间可见。特征化管线的输出因此不只是张量，还应包括一本账：多少成功、多少失败、失败的是什么。

3.2.7 小结与去向

本节把特征化既当作流水线、也当作契约来读：谱系决定表示的形态（向量或图），字段表决定模型看得见的化学，one-hot 让类别变量不携带虚假的序与距离进入张量，拼接与偏移把变长的图送进规则张量的世界。表示就位，下一节拿它去打仗：ECFP 配随机森林，先立一条不容跳过的基线（3.3 节）。