5.1 图学习生态版图：PyG、DGL 与 Graphium

5.1.1 分层看生态：一座四层建筑

初学者常把图学习生态看成一排并列的工具箱：装一个、学一个、换一个。这个心智模型站不住。RDKit、PyG、DGL、DeepChem、Graphium 之间不是竞争关系，而是上下依赖关系——有的供给算子，有的供给流程，有的供给数据。看懂“谁站在谁肩上”，选型才有坐标系；本节乃至本章的迁移路线，都挂在这张地图上。

最底层是化学信息学层，RDKit 是这一层的事实标准(de facto standard)。分子进入模型之前的每一道工序——SMILES 与 molblock 解析、价态检查、规范化、描述符计算、SMARTS 子结构匹配、骨架提取——都落在它身上。任何上层库想拿到分子图，几乎都要经由它的解析与清洗；二十年积累的化学边角案例，没有第二家完整复刻，数据出口（写文件、画结构）也在此收口。第 2 章全章就是这一层的操作手册。datamol 贴在这一层外侧，作便捷封装，5.1.5 节再谈。

往上是张量图基础层，PyG 与 DGL 住在这里。图神经网络(graph neural network, GNN)的全部计算围绕邻居展开，这层的职责是把图上的计算翻译成 GPU 上的稀疏张量运算：消息传递(message passing)的散射与归拢、大小不一的图的批处理、图级读出函数(readout)。稀疏、变长、可微分三个需求叠加，自研成本极高；更重要的是，这一层决定了上层库的算法上限——上层封装不出下层没有的算子。

再上是分子机器学习应用层：DeepChem、Graphium，以及冻结的 TorchDrug。这层的职责是组织流程——数据集加载、特征化、训练循环、评估协议，外加预训练权重。第 3、4 章的全部实验都发生在这一层。最上层是专向工具层，蛋白质工程、反应预测、材料筛选各有专门工具；本书不展开，但它们同样站在下两层之上，学完下两层再进入这些方向，成本会显著下降。

5.1.2 PyG 与 DGL：薄抽象与厚抽象

PyG 是薄抽象的标本（Fey & Lenssen, 2019）。核心是一个 MessagePassing 基类：子类声明消息怎么构造、怎么聚合、节点怎么更新，一次 propagate 调用完成沿边的散射与归拢。这与 3.3 节的消息传递公式逐项对应——论文写什么，类里就覆写什么。数据对象 Data 是一个命名张量袋：x、edge_index、y 想塞就塞，库不追问语义。薄抽象的直接收益是迭代快：新算子常与论文同步出现，复现成本因此极低；相应地，工程约束（跨后端、跨机器）留给用户自己解决。

DGL 是厚抽象的标本（Wang et al., 2019）。设计原点是图中心(graph-centric)：DGLGraph 是一等公民容器，节点特征与边特征住在容器内（ndata 与 edata），消息传递被泛化为一套编程模型——update_all 接收消息函数与归约函数，内置函数覆盖常见算式，自定义函数无缝接入。运行环境同样做厚：历史上提供 MXNet、TensorFlow 等多后端，近年版本聚焦 PyTorch；面向超大图的分布式训练(distributed training)支持是它的看家本领。

批处理是两种哲学分歧最直观的地方。分子图大小不一，批处理要回答同一个问题：怎么把 N 张图送进一次前向。PyG 的答案是大图拼接：把 N 张图沿节点维连成一张不连通的大图，edge_index 逐图按累计节点数偏移，另附一个 batch 向量标记每个节点的归属；图级读出按 batch 向量分组聚合。整个批处理是纯张量操作，没有引入新容器。DGL 的答案是分块图：dgl.batch 在逻辑上同样得到一张图，但容器内部保存每张子图的节点数与边数簿记，图身份随时可查，unbatch 可以按簿记完整还原。图 5.1-2 把两条路线并排画出。

两条路线没有胜负。拼接路线概念最少，与 PyTorch 稀疏算子衔接自然，适合把论文公式逐行搬进代码；簿记路线保留图语义，跨后端、跨机器时的不变量更清楚，适合工程化与规模化。落到选型上，逻辑很简单。

5.1.3 应用层分工：DeepChem 操场，Graphium 工业线

应用层的两个活跃坐标恰成对照：DeepChem 是练手的操场，Graphium 是工业的路线。

DeepChem 最大的资产是教程与数据集生态。第 3 章用过的 MoleculeNet 家族基准，加载、特征化、模型谱系在它那里打包成一致的流程，入门摩擦全场最低；教学场景里它的地位短期无可替代。代价是 API 稳定性一般：稳定版停在 2.8.0（2024 年 4 月），nightly 持续构建，接口在版本之间偶有位移（2026 年 8 月核实）。合理的用法是把它当操场与数据入口；课题的深层定制不要押在它的内部接口上，否则每次升级都是一次回归测试。

Graphium 走另一条路，由 Valence Labs（Recursion 制药公司的 AI 研究引擎）维护，训练骨架立在 PyTorch Lightning 上，与 datamol 同在 datamol-io 组织。定位明确：大规模多任务学习(multi-task learning)训练与预训练模型的发布载体。第 3 章末已经把多任务的谱系铺好，这里正好接上。

连续性这样看：3.7 节的 Tox21 模型里，12 个任务头共享一个消息传递主干，这是“多任务”的最小形态。把任务数从 12 推向数十、分子数从数千推向数百万，再把精度不同的标签源——量子化学计算值与实验测量值——放进同一次训练，就得到 Graphium 的标准工况，也就是多保真学习(multi-fidelity learning)：粗标签便宜量大，精标签贵而稀少，同层训练让两者互相补位。

再往前一步就是基础模型(foundation model)。MolGPS 在数百万分子、数十个任务上预训练，参数量约十亿量级，下游 38 个任务中 26 个刷新纪录（Sypetkowski et al., 2024）。它的意义超出单个模型：应用层不再只卖便利，开始沉淀基础模型资产，预训练权重本身成为生态竞争点。三年前“从零训练单任务模型”是常规操作；今天工业界的问题正在变成“选哪个预训练权重、怎么微调”——第 3 章的手艺没有作废，只是位置从起点挪到了中途。

5.1.4 TorchDrug 的历史定位与迁移

TorchDrug 在这张地图上是一枚教学标本。项目冻结于 v0.2.1（约 2022 年），官方兼容上限为 Python 3.10 与 PyTorch 2.0；新硬件、新版依赖上的安装会越来越难，环境细节是 5.2 节的主题。第 4 章仍然选它讲分子生成，理由与解剖课用固定标本相同：接口体贴、概念清楚，预训练加微调的两阶段结构表达得干净；而且它不再变动，讲义不会一夜失效。读它还有一个背景收益：它出自 DeepGraphLearning 组织——GraphAF 的官方 PyG 实现也在同一组织之下（Zhu et al., 2022），两边的代码品味同源。

迁移的本质先说破：第 3、4 章学的概念全部平移——SMILES 到分子图的流水线、消息传递、读出、多任务头、策略梯度、预训练加微调，一个都不用重学；要换的只有工程外壳。表 5.1-1 给出逐项映射。

批处理一例最能说明“概念平移、外壳更换”。5.1.2 节讲过两种批处理思想；TorchDrug 的 PackedMol 与 PyG 的 Batch 正是同一思想的两种拼写。下面的对照只看概念对应，不抠参数细节。

# TorchDrug：第 3、4 章的批处理形态——PackedMol 是一等容器
mols = [data.Molecule.from_smiles(s) for s in smiles]   # 解析由 RDKit 完成
batch = data.PackedMol.from_molecule(*mols)             # 打包：大图与归属边界随行
pred = model(batch.node_feature, batch.edge_list,
             batch.edge_weight.float())                 # 一次前向吞下整批

# PyG：同一概念的形态——Data 单图，Batch 拼接
graphs = [smiles_to_data(s) for s in smiles]            # 每个分子一张 Data
loader = DataLoader(graphs, batch_size=32, shuffle=True)
batch = next(iter(loader))                              # collate 时拼成大图
pred = model(batch.x, batch.edge_index, batch.batch)    # batch 向量标记归属

解读：TorchDrug 把打包结果当容器用——PackedMol 自带边界与归属，前向直接传容器属性；PyG 把打包结果当普通大图用——归属压缩成一个 batch 向量，前向传扁平张量。看懂这一处，表 5.1-1 的其余条目都是查表工作。第 3 章的读者若迁移到 PyG，真正要重写的只有 smiles_to_data 这一个函数——而它本身就是第 2 章练过的流水线。

5.1.5 数据周边：datamol 与 MoleculeNet 数据集

数据侧有两个名字值得记住。datamol 是 RDKit 的便捷封装层：清洗流水线开箱即用——去盐、保留最大片段、规范化、批量算描述符——原本十几行 RDKit 调用的预处理收敛为少数高层函数。它与 Graphium 同在 datamol-io 组织，同一批维护者把“数据清洗”与“模型训练”做成配套件，这是分层地图上相邻层咬合的现成实例。选 Graphium 路线的团队，数据入口顺理成章落在 datamol。

数据集方面，MoleculeNet 家族（Wu et al., 2018）——ESOL、FreeSolv、Lipophilicity、BBBP、Tox21、SIDER、HIV、BACE——是分子性质预测的通用货币。在 PyG 生态，torch_geometric.datasets.MoleculeNet 直接提供加载接口，数据文件历史上经 DeepChem 渠道分发。换言之，三个库在同一批数据上汇合，第 3 层的应用库与第 2 层的算子库在数据通道上本就互通。

一句提醒：同一数据集在不同库里的默认划分、特征化与单位口径可能不同，跨库比较数字时要回到原始文献核对协议。第 3 章反复强调的评估纪律——划分方式先于模型——在生态问题上原样成立。

5.1.6 选库原则：问题定义先于工具

最后是态度问题：警惕框架忠诚度(framework loyalty)。熟悉产生粘性，粘性产生立场，立场让人替工具辩护而不是替问题辩护。工具的半衰期以年计；问题定义——数据从哪里来、指标怎么算、结论能否站住——以十年计。本书用两章 RDKit、两章 TorchDrug 讲原理，正因此要在最后一章讲迁移：离开任何一个库时，你带走的都不该是 API 记忆，而是这套概念与纪律。5.3 节的陷阱清单，将把它们落到具体条目上。