摘要
分子性质预测在人工智能辅助药物设计中具有重要意义，因其相较于生物实验具有更高的实验效率。由于图神经网络在多个领域已取得显著成功，一些研究将其应用于分子性质预测，并将每个分子视为一个图结构：分子中的原子被视作图的节点，化学键则被视作图的边。然而，现有大多数方法仅简单套用通用图神经网络，未充分考虑化学领域的先验知识。由于化学信息与分子功能密切相关，对实现精准的性质预测至关重要。为此，本文引入化学信息，通过融合分子指纹（即特定化学亚结构的存在或缺失）来学习更有效的分子表示。与多个强基准方法相比，所提出的方法显著优于现有方法。截至目前，该方法在开放图基准测试（Open Graph Benchmark, OGB）的 ogbg-molhiv 任务排行榜中位列第一。