---
title: "分子圖（Molecular Graphs）"
slug: molecular-graphs
language: zh-TW
source: https://aiterms.tw/terms/molecular-graphs
updated_at: 2026-07-04
tags: [神經網路, 機器學習, 特徵工程, AI應用, source:arxiv]
ipas_term: false
---

# 分子圖（Molecular Graphs）

分子圖將化學分子抽象為圖形，以節點代表原子、邊緣代表化學鍵，是機器學習處理分子結構的核心格式。

## 完整說明

分子圖是一種將化學分子抽象為數學圖結構的資料表示法。它用於為機器學習模型提供基礎輸入，能夠精確捕捉原子作為節點、化學鍵作為邊緣的拓撲關係。常見應用包括藥物研發的分子特性預測、新穎化合物生成設計，以及分析配體與蛋白質靶點的相互作用。

## 常見問題

### 分子圖與傳統的 SMILES 字串表示法相比，主要的優勢在哪裡？

傳統字串表示法會將複雜的分支與環狀結構展平為一維序列，導致在化學連接上相鄰的原子，在字串中可能相距甚遠。模型因此必須耗費額外資源去學習字串語法並重新建構空間關係。分子圖的主要優勢在於它原生地保留了完整的拓撲結構，將原子間的連接關係具象化為邊緣。這使得圖神經網路能透過局部訊息傳遞，直接且精確地捕捉化學環境與原子互動，在結構推理和屬性預測的任務中，可避免空間資訊的遺失，提供更具邏輯性的特徵表示。

### 在訓練處理分子圖的機器學習模型時，常常遇到的「過度平滑」問題是什麼？

過度平滑是圖神經網路在處理分子圖時面臨的一項挑戰。模型特徵提取依賴節點間不斷傳遞與聚合訊息，但由於化學分子的規模通常較小且圖的直徑偏短，若網路層數設計過深，經過多次訊息傳遞後，每個節點都會反覆接收整個分子的廣域資訊。這會導致所有節點的特徵向量變得高度同質化，難以區分彼此。一旦節點失去獨特的局部環境特徵，模型便無法準確辨識特定的化學功能基團，進而導致整體屬性預測的準確度明顯下降。

### 分子圖能夠完整表示分子在真實三維空間中的所有化學與物理狀態嗎？

二維分子圖無法完整呈現分子在真實世界的物理狀態。它僅提供拓撲連接資訊，說明原子如何藉由化學鍵相連，卻忽略了在三維空間中的立體構象。真實的分子是動態實體，相同拓撲結構會因化學鍵旋轉而產生多種空間狀態。許多生物活性，如藥物與靶點的結合，都高度依賴特定的三維幾何形狀。若僅使用二維分子圖，模型將難以捕捉關鍵的立體化學特徵，因此計算生物學近年來開始積極發展結合空間座標的三維分子圖應用。

---

來源：https://aiterms.tw/terms/molecular-graphs
快查頁：https://aiterms.tw/terms/molecular-graphs
最後更新：2026/07/04
深度解說：https://aiterms.tw/learning/what-is-molecular-graphs