前两篇内容概述了Weihua Hu*, Bowen Liu*图神经网络预训练的方法，以及context prediction进行预训练的实施代码。context prediction 学习的图内的原子/边信息的表征，并没有包括图层面的信息。这一部分的监督学习，是图层次的监督学习，目的是把图层面的信息增加到图的表征向量G(h)中。经过图层次的监督学习，得到的模型就可以直接用于下游的任务。文章方法：在

'''by wufeilDeepChem-使用图卷积神经网络对化学分子建模在深度学习中，图卷积神经网络特别适合处理化学分子数据，也经常被用于处理分子数据。这是因为化学分子本身就是一个图数据。但是如何将分子转化为图神经网络可以使用的数据格式呢？接下来就做简单的介绍。首先，标准的卷积网络，最简单最传统的就是CNN，convolutional neural network，是处理图片最常用的神经网络模型

'''使用Deepchem构建化学分子的神经网络和图神经网络模型示例by wufeilDeepchem包含了很多的化学分子的数据集，同时也有将分子结构转换为机器学习能够识别的矩阵（序列）数据的方法，下面就来简单举几个例子，以便快速入门'''import numpy as npimport deepchem as dcimport tensorflow as tf#设定随机数，可重复再现np.ran

在图神经网络中，信息的传递和特征的转变，用户可以自定义的。当然在DGL中，也有高级别的API供调用。现在来看一个网页排名简单的模型。每一个节点都有相同的PV值，PV=0.01， 每一个节点首先会均匀分散自己的PV值给周围的节点。各节点新的PV值等于周围节点的聚合，同时受到阻尼因子的调节。因此，每一次迭代，节点PV值的变化如下：其中，d为阻尼因子，N为节点数。N为节点的邻接节点，D为节点的输出度（d

'''by wufeildeepchem教程2Tutorial 2: Working With Datasetsdeepchem内置数据集及其简单建模'''import deepchem as dcprint(dc.__version__)'''加载seepchem内置数据'''tasks, datasets, transformers = dc.molnet.load_delaney(featu

by wufeil在Deepchem提供的分子特征化方法中，有两个方法是适用于图神经网络的，分别为：ConvMolFeaturizer 和WeaveFeaturizer。本期我们就来解析一下这两种图神经网络分子特征化的方法。一、ConvMolFeaturizer根绝官方文档的介绍，这是基于“Duvenaud, David K., et al. “Convolutional networks on

101（入门）以后就是开始具体逐项学习图神经网络的各个细节。下面介绍：1.如何构建图2.将特征赋给节点或者边，及查询方法这算是图神经网络最基础最基础的部分了。一、如何构建图DGL中创建的图的方法有：1. 通过（u, v），u和v分别为起始节点和终止节点的列表，可以是numpy矩阵也可以是tensor2. scipy中的稀疏矩阵，该稀疏矩阵储存这图的邻接矩阵3. networkx图对象转化4. 逐步

ShEPhERD 是一种基于去噪扩散概率模型 (DDPM) 的SE3等变扩散模型，其独特之处在于它主要联合建模 3D 分子图结构及其形状、静电势 (ESP) 表面和药效团等相互作用特征，而无需显式编码蛋白质口袋的信息。该模型能够学习和生成具有特定相互作用特征的分子，可以满足骨架跃迁、电子等排体合并的分子设计任务。本文以GitHub体系以及自定义体系3WZE 对 ShEPhERD 进行了详细的测试，

'''by wufeilDeepChem-使用图卷积神经网络对化学分子建模在深度学习中，图卷积神经网络特别适合处理化学分子数据，也经常被用于处理分子数据。这是因为化学分子本身就是一个图数据。但是如何将分子转化为图神经网络可以使用的数据格式呢？接下来就做简单的介绍。首先，标准的卷积网络，最简单最传统的就是CNN，convolutional neural network，是处理图片最常用的神经网络模型

'''使用Deepchem构建化学分子的神经网络和图神经网络模型示例by wufeilDeepchem包含了很多的化学分子的数据集，同时也有将分子结构转换为机器学习能够识别的矩阵（序列）数据的方法，下面就来简单举几个例子，以便快速入门'''import numpy as npimport deepchem as dcimport tensorflow as tf#设定随机数，可重复再现np.ran