量子化学感知的图基分子嵌入qcGEM：面向药物发现的多层次物理先验表征学习

《Advanced Science》：qcGEM: A Graph-Based Molecular Representation With Quantum Chemistry Awareness

人工智能(AI)的进步重塑了药物发现。基于AI的模型通常依赖分子表征进行监督或自监督预测。然而，主流分子表征缺乏物理基(physically grounded)信息，不仅限制实际任务中的模型表现，也阻碍人类对机制的认知与利用。为克服该问题，研究人员提出qcGEM，一种量子化学感知(quantum-chemistry-aware)的图基分子嵌入(graph-based embedding of molecules)，将物理先验引入分子表征学习。通过专门设计的模型架构处理量子化学信息，qcGEM提供紧凑且物理信息驱动的分子表征，可支撑分子性质预测、活性悬崖检测、蛋白–配体相互作用建模及阿片类药物回归等广泛下游任务。研究在83个任务上的综合评测表明，qcGEM取得最先进(state-of-the-art)性能，并在多层次表征上具备强可解释性。研究人员进一步提出简化变体qcGEM-Hybrid，在嵌入生成速度大幅提升的同时保持稳健性能。该方法为分子建模与预测提供了先进分子表征，有望推动AI辅助药物发现。

《Advanced Science》刊发的该项研究面向AI辅助药物发现中的分子表征瓶颈。当前SMILES、分子指纹(fingerprint)、图像化分子、图神经网络(GNN)等手工或预训练表征存在信息冗余、非唯一表示、结构上下文不足、预训练数据需求大、泛化有限以及缺乏物理可解释性等问题的困扰；而电子波函数、电子密度等量子信息又因高维性、数值不稳定、连续分布和缺乏旋转不变性难以直接接入深度学习。为此，研究人员基于qcMol数据库中超过120万化合物的三维构型与量子化学描述符，开展量子化学感知的分子图表征学习研究，提出qcGEM并验证其在属性预测、细微结构敏感性和蛋白–配体任务中的优势。结论上，qcGEM以较少预训练样本获得紧凑、物理可解释、多层次图表示，在83个任务中优于32种基线，简化版qcGEM-Hybrid兼顾效率与精度，对先导优化和大规模筛选具有重要实用价值。

关键技术方法方面，研究人员从qcMol取子集作预训练，用GFN2-xTB做几何优化、ORCA在B3LYP-D3/def2-SV(P)级做量子化学计算，经NBO与Multiwfn做波函数分析得到局域化量子描述符；构建全局–节点–边的完全图，编码器含16个编码块与几何模块、全局–局部交互(GLI)单元，解码器含折叠优化器(folding optimizer)、QC恢复单元与全局预测器；预训练采用几何去噪、节点边特征掩码/替换恢复校正、全局态凝聚，几何约束引入PV、PD、RMSD及小分子导向FAPE损失；评测采用冻结表征+多层感知机(MLP)探针协议，在MoleculeNet、TDC、PharmaBench、MoleculeACE、BindingDB、DAVIS、KIBA、Opioids、CASF-2016等队列/数据集上比较33种表征，并提出顶级排名稳定性分数(TRSS)。

研究结果如下。概述框架部分，研究人员通过qcMol查询或量子化学计算获得注释，用编码器–解码器把初始结构、量子与全局特征压缩为统一分子表示并可重构输入，说明完全图比稀疏键图更能捕捉成对原子相互作用。模型架构与预训练策略部分，几何模块以球坐标局部完整几何作位置嵌入，GLI单元实现全局与局部双向信息流，折叠优化器用双流结构恢复三维构型；仅30万样本预训练即可支持冻结推理与快速微调。分子性质预测基准部分，在41个ADMET任务上采用随机与scaffold划分，回归用RMSE、分类用ROC-AUC，qcGEM在两类划分和任务中均达最优，TRSS领先，显示其对吸收、分布、代谢、排泄、毒性属性预测能力强。活性悬崖预测基准部分，在MoleculeACE的30个任务中，qcGEM对普通分子与活性悬崖分子预测误差最低，在蛋白类别和实验类别细分中排名领先，并能识别结构相似但活性不同的真实活性悬崖对。蛋白–配体结合预测基准部分，在11个通用与阿片类任务中，qcGEM接ESM-3蛋白表示后，通用回归接近最佳、分类任务因近饱和差距极小；阿片受体任务在scaffold与random划分下均最佳，CASF-2016上亦优于其他图嵌入。qcGEM-Hybrid的可扩展与稳健性部分，用B3LYP-D3/def2-SV(P)//GFN2-xTB替代全量计算，100原子分子单核由约18小时降至28分钟、16核低于2分钟；活动悬崖误差与全量qcGEM无显著差异，冻结版已超过微调的Molformer与UniMol。可解释性与量子化学感知部分，t-SNE显示全局表示按分子量并沿化学相似性渐变聚类；qcGEM唯一成功区分中心、平面、轴手性对映体，同一分子不同构象嵌入聚拢且分子内跨度远小于分子间质心距，边缘注意力能反映键内、非键π–π堆积与自环的物理层次。

讨论部分指出，主流边常来自经验化学键而忽略共轭体系中的离域轨道，qcGEM把原子核与内层/孤对电子作节点、价层轨道作边，弥补非局域量子效应缺失。局限包括依赖预生成量子注释、未纳入多构象训练、缺少粗粒度官能团层级、低精度量子特征已足够以及小规模预训练尚有扩展空间。结论部分译为：在本研究中，研究人员提出qcGEM，一种基于局域化量子描述符与最稳分子构型的量子化学感知图基分子嵌入，用以弥补现有分子表示的不足；其符合物理直觉的架构与信息流带来高效训练、全面编码和强可解释性。在统一的冻结表示+MLP探针协议下，qcGEM在41个分子性质任务、30个活性悬崖任务和12个蛋白–配体任务中展现稳健与泛化性，对32种基线方法的综合优势凸显其筛选候选药物的潜力；qcGEM在多层级保持物理相关性与可解释性，完整几何编码可准确判别手性对映体，qcGEM-Hybrid变体支持快速可复用推理，可规模化部署于药物发现。