PaddleHelix 分子模型上手指南：GeoGNN 与 SD VAE 两个核心组件从原理到跑通

PaddleHelix 分子模型上手指南：GeoGNN 与 SD VAE 两个核心组件从原理到跑通

【免费下载链接】PaddleHelixBio-Computing Platform Featuring Large-Scale Representation Learning and Multi-Task Deep Learning “螺旋桨”生物计算工具集项目地址: https://gitcode.com/GitHub_Trending/pa/PaddleHelix

做药物计算的同学通常会卡在同两个地方：拿到一堆分子想预测它们的性质，却不知道该喂什么特征、怎么聚合；手里只有少量已知分子，想"造"出新的候选分子，又怕生成出来的结构根本不合法。PaddleHelix 恰好把这两件事拆给了两个核心组件——pahelix/model_zoo/gem_model.py 里的 GeoGNN 负责"看懂"分子，pahelix/model_zoo/sd_vae_model.py 里的 SD VAE（Syntax-Directed VAE，基于语法的变分自编码器）负责"生成"分子。下面用仓库里真实存在的几个文件，把这两个组件的原理和跑法一次讲清楚。

它是什么：预测和生成，两个组件各管一头

一句话定位：pahelix/model_zoo/是 PaddleHelix 的模型库（model zoo，仓库里开箱即用的模型集合），GeoGNN 与 SD VAE 是其中两条最常用的模型线。

• GeoGNN：分子表示模型，把分子读成图并学习整体表征
• GEM：基于 GeoGNN 的自监督预训练任务集
• SD VAE：语法约束的分子生成模型，产出新 SMILES
• featurizer：把分子转成图结构的"翻译官"
• finetune_*.py：拿预训练权重做下游微调的入口

它怎么工作：一个读分子，一个写分子

GeoGNN：把分子当"社交网络"来读

GeoGNN 先把分子画成一张图：原子是节点、化学键是边，再额外补一张"键角图"。类比成读微信群聊——节点每轮更新都像把邻居发来的消息看一遍再发言，仓库里这个"楼层"由 apps/pretrained_compound/ChemRL/GEM/model_configs/geognn_l8.json 的layer_num: 8控制。和普通图网络的区别在于：它同时处理原子-键图和键角图，键长、键角这些连续数值由 RBF（径向基函数，把数值映射成向量的小工具）编码，分子三维摆姿里的几何信息就进了表征。最后用均值池化（readout: "mean"）把整张图压成一个向量，交给任务头做预测。

在 GeoGNN 之上，GEM 挂了 5 个自监督预训练任务（见 model_configs/pretrain_gem.json）：原子上下文掩码预测（Cm）、功能团分类（Fg）、键角回归（Bar）、键长回归（Blr）、原子间距分类（Adc）。相当于不花一分钱标注，就让模型自己学会"这个分子在空间里长什么样"。

SD VAE：让分子生成受"语法"约束

变分自编码器（VAE）的一般套路是：编码器把输入压成一个潜在分布，解码器从分布里采样再还原。PaddleHelix 的 SD VAE 把"输入"换成了分子语法树（CFG parse tree）的决策序列：先按分子文法把分子解析成"写分子说明书"的决策，sd_vae_model.py 里的 CNNEncoder 编码这串决策、输出均值与方差，再经重参数化采样出 z，GRU 解码器逐步把决策还原出来。因为每一步决策都受文法规则约束（PerpCalculator 里用 rule_masks 屏蔽非法选项），生成结果天然更可能拼成合法分子。

关键超参在 apps/molecular_generation/SD_VAE/model_config.json：latent_dim（潜在空间维度）为 56、max_decode_steps为 278、编码器类型 cnn、解码器类型 gru。

怎么用起来：准备 → 运行 → 验证三步

准备：按 installation_guide.md 装好环境（GEM 依赖 paddlepaddle>=2.0.0、pgl>=2.1.5 等）。

运行：

• GEM 预训练：apps/pretrained_compound/ChemRL/GEM/scripts/pretrain.sh 会自动下载 demo Zinc 数据并启动pretrain.py，模型落在./pretrain_models；不想自己跑可以直接下官方预训练权重。
• SD VAE：先用data_preprocessing/里的make_dataset_parallel.py、dump_cfg_trees.py把原始 SMILES 编译成二进制（这一步不能省），再执行 train_zinc.py 训练：

python make_dataset_parallel.py -info_fold ../data/data_SD_VAE/context_free_grammars \ -grammar_file .../mol_zinc.grammar -smiles_file .../250k_rndm_zinc_drugs_clean.smi

验证：GEM 微调完成后结果保存在./log/pretrain-$dataset/final_result（脚本 scripts/finetune_class.sh、finetune_regr.sh）；SD VAE 训练好后用 paddle_eval/sample_prior.py 从先验采样新分子，官方 README 给出的基准是 valid 0.49、reconstruction accuracy 0.92，可对照自己的结果。

怎么选、怎么搭配

• 要预测分子性质 → 用 GEM：先拿预训练权重，再走 finetune_class.py（分类）或 finetune_regr.py（回归）微调。
• 要生成新分子 → 用 SD VAE：训好后从先验采样，或在已知分子附近重构探索。
• 两者能串起来：SD VAE 生成 → GeoGNN 打分筛选，组成"生成 + 筛选"的闭环。

⚠️ 两个提醒：GEM 的 demo 数据需要跑 MMFF 力场优化，README 明确说单卡要数小时，别期待分钟级出结果；SD VAE 的数据必须先编译成二进制，跳过预处理脚本会直接报错。更多细节看 docs/ 下的 API 文档和两个 README 即可。

【免费下载链接】PaddleHelixBio-Computing Platform Featuring Large-Scale Representation Learning and Multi-Task Deep Learning “螺旋桨”生物计算工具集项目地址: https://gitcode.com/GitHub_Trending/pa/PaddleHelix