摘要
从分子结构预测物理化学性质是人工智能辅助分子设计中的关键任务。近年来，越来越多的图神经网络（Graph Neural Networks, GNNs）被提出以应对这一挑战。这些模型通过引入分子中的辅助信息来增强其表达能力，但不可避免地带来了计算复杂度的上升。在本研究中，我们致力于设计一种在分子结构建模中兼具强大表达能力与高效计算性能的GNN。为实现这一目标，我们提出了一种基于分子力学驱动的方法：首先将每个分子表示为一个两层的多重图（multiplex graph），其中一层仅包含局部连接，主要捕捉共价相互作用；另一层则包含全局连接，能够模拟非共价相互作用。针对每一层，我们分别设计了相应的消息传递模块，以在表达能力与计算复杂度之间取得良好平衡。基于上述两个模块，我们构建了多重分子图神经网络（Multiplex Molecular Graph Neural Network, MXMNet）。在小分子数据集QM9以及大分子蛋白-配体复合物数据集PDBBind上的实验验证表明，在计算资源受限的条件下，MXMNet的表现优于现有最先进的模型。