分子信息传递神经网络通常通过单一图结构来传播多种化学相互作用，这些相互作用可能会混合不同的信号，因此需要深度传递才能捕捉到长距离效应。我们提出了多层多色图神经网络（MMGNN），这是一种分层框架，它将分子图分解为相互重叠的、针对特定原子类型对的子图，同时保持原子级别的分辨率。MMGNN-2D根据共价连接关系构建带有化学颜色的子图，而MMGNN-3D则根据空间邻近性构建带有几何颜色的子图，并为其边添加距离、角度和扭转等描述符。这两种版本都对每个子图应用相同的通信信息传递机制，然后通过原子级聚合和分子级读取来整合得到的表示结果。我们在MoleculeNet的五个分类任务和三个回归任务上对MMGNN进行了测试，使用了常见的骨架分割方式并进行了五次独立实验。在所有分类数据集中，MMGNN-2D的宏观平均AUC-ROC值最高，为0.838；在ESOL任务中的均方根误差最低，为0.803。MMGNN-3D在BBBP任务上的平均AUC-ROC值最高，为0.956；在FreeSolv任务中的均方根误差最低，为1.793，这表明拓扑表示和几何表示具有互补的优势。结构分析和留一法分析进一步说明了子图分解如何影响所学到的表示结果以及原子类型对的敏感性。这些结果支持使用相互重叠的、针对特定相互作用的图分解方法作为预测分子性质的可行策略。
