《Computational Biology and Chemistry》：Scaffold-Aware Benchmarking of GCN and GIN for DFT-Derived Molecular Gibbs Energy in Traditional Chinese Medicine Molecules
编辑推荐：
•对2,089个与中药相关的分子记录所对应的基于密度泛函理论计算的绝对气相吉布斯能量G进行了基准测试。•通过统一的Bemis–Murcko骨架划分方式，确保在五种交叉验证方式下都能进行准确的性能评估。•元素计数线性回归方法的表现竟优于GCN、GIN以及Morgan指纹线性回归方法
- •
对2,089个与中药相关的分子记录所对应的基于密度泛函理论计算的绝对气相吉布斯能量G进行了基准测试。
- •
通过统一的Bemis–Murcko骨架划分方式，确保在五种交叉验证方式下都能进行准确的性能评估。
- •
元素计数线性回归方法的表现竟优于GCN、GIN以及Morgan指纹线性回归方法。
- •
绝对G值主要受元素组成影响，这让人质疑对于这一研究目标而言是否真的需要运用图学习技术。
- •
在交叉验证中，GCN的原子特征分析显示出的是由结构大小导致的非因果敏感性，而非原子自由能层面的变化。
- •
为保证研究的可重复性，本研究提供了经过审核的数据集、相关代码脚本以及详细的补充信息表。
引言
传统中药资源中包含多种化学结构各异的小分子，而经过整理的这些分子集合为相关计算分析提供了基础，有助于对这类分子进行特性研究及筛选（Xue等人，2013；Ru等人，2014；Xu等人，2019a）。量子化学计算能够为机器学习研究提供内在一致的分子属性数据，但其高昂的计算成本限制了其对大规模分子集合的常规应用（Ramakrishnan等人，2014；Smith等人，2017；von Lilienfeld等人，2020）。本研究所关注的是每个基于密度泛函理论计算的记录所对应的绝对气相分子吉布斯能量G值。这一数值与分子的结合能、反应能、溶剂化能以及代谢过程中的自由能变化有所不同，也不是衡量药物活性的直接指标。
分子图神经网络能够从原子及其连接关系中学习到有用的特征表示，被广泛用于各类分子属性的预测任务中（Gilmer等人，2017；Kipf和Welling，2017；Xu等人，2019b；Wieder等人，2020）。不过，这类模型的实际性能不仅取决于其架构设计，还与评估方法密切相关。如果随机划分训练集和测试集，结构相似的分子可能会被分到同一组，而采用基于独立骨架的评估方式则能更准确地判断模型在全新分子结构上的表现能力（Bemis和Murcko，1996）。图神经网络其实是一个涵盖范围较广的模型类别，本研究仅对图卷积网络和图同构网络进行了性能测试（Gilmer等人，2017；Kipf和Welling，2017；Xu等人，2019b；Wieder等人，2020）。
另一个需要考虑的局限性在于研究目标本身。绝对分子G值会随着原子数量及类型的改变而发生显著变化，因此模型之所以能取得较高的预测精度，很可能是因为元素的组成因素，而非模型学到了有效的结构关联信息。基于二进制Morgan指纹的线性模型虽然能够捕捉到分子局部片段之间的关联，但它并不能作为反映元素组成的准确基准。如果没有对元素数量进行明确控制，就无法通过对比图模型和指纹模型来判断元素组成因素是否真的对模型性能产生了影响，也无法确定是否真的需要运用图学习技术。
为此，我们设计了一个控制严谨的基准测试方案：在该方案中，元素计数线性回归、GCN、GIN以及二进制Morgan指纹线性回归四种模型都使用同一个经过审核的Bemis-Murcko骨架划分结果。该研究不仅对比了不同验证方式下的模型性能，还对记录的真实性以及立体化学信息进行了核查，同时分析了GCN模型在面对不同原子扰动时的敏感度。其核心目的是了解在基于记录权重分配的骨架划分策略下，这四种模型在处理已存储的绝对G值数据时的表现差异，进而确定开展更具区分度的化学特性评估时所需的控制条件和目标定义。整个基于元素组成控制、充分考虑骨架结构的基准测试框架如图1所示。
章节要点
数据集的范围与审核情况
本次分析使用了包含2,089条记录的数据库，每条记录都包含对应的PubChem CID、标准SMILES表达式以及分子G值标签。所有记录均未被删除、平均处理或重新标记。在数据审核过程中，统计了不同的CID和标准SMILES表达式的数量，找出了完全重复的记录行以及含有相同SMILES表达式的记录组，同时还统计了每种重复结构对应的标签取值范围。
所有具有相同标准SMILES表达式的记录都被归入同一个骨架组，这样一来，结构完全相同的记录就不会被分配到训练集和测试集之间。
数据集、目标值的来源以及划分的合理性
最终保留了2,089条记录，这些记录对应2,071个不同的PubChem CID，以及1,986种不同的标准SMILES表达式（见表1）。这些分子的绝对气相分子G值范围在-6277.79到-79.75电子伏特之间，平均值约为-732.84电子伏特，样本标准差则为446.71电子伏特（见图2）。Morgan指纹UMAP可视化方法可以帮助直观展示这些分子的化学性质分布情况，同时也能呈现经过审核后的验证分组结果（见图3），但该可视化方法并未被用于确定具体的验证分组。
记录的标识信息并不等同于分子的真实结构信息。
结论
本研究旨在探究在设置明确的元素组成控制条件并使用相同的骨架划分方式后，GCN和GIN模型在处理基于密度泛函理论计算得到的绝对气相分子吉布斯能量值时的性能是否依然具有参考价值。实验结果显示元素计数线性回归方法的表现最为优异，这一结果说明在所分析的绝对G值数据中，元素组成才是决定其数值变化的主要因素。在相同的骨架划分条件下，GCN模型的性能优于其他被测试的GIN模型和FP-LR模型，但这一相对排名既不能证明图学习技术是处理这类问题的必要手段，也无法说明其他模型存在明显的性能缺陷。
作者贡献
陈洪涛、钱丽丽和季宇晨对这项研究做出了同等重要的贡献。
CRediT作者贡献说明
李雄：论文撰写——审阅与编辑、结果验证、研究指导、方法设计、实验分析、概念构思。 季宇晨：数据整理工作。 张孟健：结果验证工作。 杨涛：论文撰写——审阅与编辑、方法设计、实验分析、概念构思。 陈洪涛：论文撰写——初稿编写、方法设计、实验分析、概念构思。 钱丽丽：论文撰写——审阅与编辑、方法设计、实验分析、概念构思。 周作健：概念构思工作。
利益冲突声明
所有作者均声明自己不存在任何可能影响本研究结果的已知财务利益关系或个人关系。
致谢
本研究得到了江苏省中医药智能健康服务工程研究中心开放项目（项目编号：ZHZYY202509）、南京大学中医研究所相关项目（项目编号：ICM2024037），以及江苏省前沿技术研究与开发计划中“中医药领域专用大型模型关键技术研究”项目（项目编号：BF2025076）的支持。
利益冲突声明
所有作者均声明自己不存在任何利益冲突。
Hongtao Chen|Lili Qian|Yuchen Ji|Mengjian Zhang|Xiong Li|Zuojian Zhou|Jiadong Xie|Chenjun Hu|Kongfa Hu|Tao Yang
