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 | 化学信息学基础 | 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 图卷积与邻域聚合 · 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。
本教程使用的接口基准为 RDKit 2026.03 系列、DeepChem 2.8.0 与 TorchDrug 0.2.1；这表示教材选用的版本，并非对所有最新版本的兼容承诺。2026 年 9 月核对的 TorchDrug 官方安装文档声明 Python 3.7–3.10、PyTorch ≥ 1.8.0，没有列出 PyTorch 2.0 上限。运行时还需匹配扩展算子、CUDA 与平台，具体见第五章。Graphium 是另一款分子图学习工具，本书按功能比较这些项目，不将其视为 TorchDrug 的官方后继。