PaddleHelix 上手指南：GeoGNN 预测与 MolVAE 生成的两大核心能力一次讲清

【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

PaddleHelix 是百度推出的生物计算工具集，构建在 PaddlePaddle 之上。本文按任务场景讲清它的两条分子建模主线：用 GeoGNN 做分子属性预测，用 MolVAE 从 SMILES 序列生成新分子。

定位：把"预测"和"生成"做成两条独立流水线

如果只做一件事，PaddleHelix 解决的是"分子建模"这一件事，但拆成了两个方向：给定分子，预测它的性质；给定目标，造出一个新分子。前者靠图神经网络 GeoGNN，后者靠变分自编码器 MolVAE。仓库的组织方式也印证了这一点：模型定义放在 pahelix/model_zoo/ 下复用，具体任务的训练、微调、采样脚本则按应用分放在apps/下。

整体来看，上层是药物协同、药物-靶点相互作用、化合物生成等应用场景，中层是 GeoGNN、GIN/GCN/GAT 等网络组件，底层是 PGL 图引擎、标准数据集和工具包。理解了这张图，后面两条线的入口就都有了。

能力速览：预测线与生成线

两条线互相独立：预测线回答"这个分子行不行"，生成线回答"能不能造一个更好的分子"。做药物发现时，常见的 pipeline 是先生成一批候选，再用预测模型打分筛选。

场景一：分子属性预测怎么做（GeoGNN）

它是怎么做到的

把分子想象成一张"3D 图纸"：拓扑结构告诉你要画哪些部件，几何信息告诉你在空间里摆成什么角度。多数图神经网络只读"图纸的连线部分"，而 GeoGNN 把两部分都读了。具体拆开看，有四件事：

• 原子-键 + 键角双通道：模型同时维护原子-键图和键角图，键角信息通过BondAngleFloatRBF这类径向基编码层变成连续向量，空间构型不再丢失。
• 键长等几何量向量化：BondFloatRBF把键长这类浮点几何特征编码进边特征，让网络"看见"分子的空间形状。
• GIN 消息传递 + 残差堆叠：节点更新基于 GIN 结构，默认堆 8 层，每层带 LayerNorm、GraphNorm 和残差连接，逐层提取高阶结构特征。
• 可配置读出：图级表示默认用均值池化（readout='mean'），下游接分类或回归头即可。

实现入口在 pahelix/model_zoo/gem_model.py，其中GeoGNNModel是完整定义，配套的原子/键嵌入与 RBF 编码层在 pahelix/networks/compound_encoder.py。

上面这张图展示的是 GNN 预训练的一般分类思路：节点级任务（属性掩码、上下文预测）负责局部表示，图级任务（属性预测、结构相似度）负责全局表示，节点级 + 图级联合通常效果最好。GeoGNN 所在的 GEM 方案就属于这一思路下的几何增强版本。

在哪些任务里能用 + 关键代码路径

GeoGNN 主要作为"预训练编码器"使用：先在大量分子上做自监督预训练，再冻结或微调地接到下游任务上。仓库里可直接参考的入口：

• 预训练主脚本：apps/pretrained_compound/ChemRL/GEM/pretrain.py
• 分类微调：apps/pretrained_compound/ChemRL/GEM/finetune_class.py；回归微调：apps/pretrained_compound/ChemRL/GEM/finetune_regr.py
• 药物-靶点相互作用（DTA）应用：apps/drug_target_interaction/graph_dta/
• 分子对接场景：apps/molecular_docking/helixdock/

一个实用提示：GEM 的 README 提供了预训练好的模型压缩包，可直接跳过耗时数小时的预训练步骤，直接做下游微调。

场景二：新分子生成怎么做（MolVAE）

生成流程拆解

MolVAE 的思路可以类比"压缩—取点—渲染"：先把一条 SMILES 字符串压成潜在空间里的一小组坐标，然后在坐标系里取一个新点，再把这个点渲染回一条 SMILES 字符串。整个过程分三步：

1. 编码：序列经 embedding 后送入 GRU 编码器（支持双向），输出潜在分布的均值 μ 和对数方差 log σ²。
2. 采样：用重参数化技巧从分布中采样得到潜在向量 z。训练时 z 来自真实分子，推理时可以纯粹从先验 p(z) 里随机取点——取出来的点就对应一个新分子。
3. 解码：GRU 解码器以 z 为初始隐状态，逐 token 生成 SMILES。

损失函数由两部分构成：重构损失保证解码出来的序列合法、可学，KL 散度约束潜在分布贴近先验，让"随机取点"这件事有意义。训练脚本里还内置了 KL 退火（--kl_start、--kl_w_start、--kl_w_end），避免训练早期 KL 项压垮重构。

模型定义在 pahelix/model_zoo/seq_vae_model.py（VAE类，encoder 到 decoder 完整实现）。pahelix/model_zoo/下还有一个树结构方向的 pahelix/model_zoo/sd_vae_model.py，面向分子树/属性解码场景，与序列版互为补充。

训练与使用入口

• 训练/采样脚本：apps/molecular_generation/seq_VAE/trainer.py
• 模型超参：apps/molecular_generation/seq_VAE/model_config.json，控制编码器/解码器层数、隐层维度、潜在空间维度d_z、embedding 是否冻结等
• 训练参数默认值：apps/molecular_generation/seq_VAE/args.py
• 说明文档：apps/molecular_generation/seq_VAE/README_cn.md

官方 demo 使用 ZINC Clean Leads 子集作为训练数据，数据与预训练模型的下载方式写在 README 中。生成侧的常见用法是：训好的模型加载后，从先验分布采样 z 批量解码，再用 RDKit 做合法性过滤，得到一批候选新分子。

选型建议：你的任务该走哪条线

一个边界说明：GeoGNN 依赖分子的 3D 几何信息，数据准备阶段需要做 MMFF 力场优化等预处理，这一步比较耗时；MolVAE 的生成质量受训练集规模影响，官方 demo 用的是 ZINC 子集，追求更多样化结果时应换用更完整的数据集。

快速上手：三步跑通

第一步，拿到代码：

git clone https://gitcode.com/GitHub_Trending/pa/PaddleHelix cd PaddleHelix

第二步（预测线）：进入 apps/pretrained_compound/ChemRL/GEM/，按该目录 README 准备 demo 数据，跑预训练或直接用官方预训练模型做finetune_class/finetune_regr微调。

第二步（生成线）：进入 apps/molecular_generation/seq_VAE/，把数据解压到./data后启动训练：

CUDA_VISIBLE_DEVICES=0 python trainer.py \ --device='gpu' \ --dataset_dir='./data/zinc_moses/train.csv' \ --model_config='model_config.json' \ --model_save='./results/train_models/'

训练完成后，同一个入口流程支持从先验采样生成新分子，配合 RDKit 校验即可产出候选化合物。

写在最后

PaddleHelix 把"预测"和"生成"拆成两条可独立运行的流水线，GeoGNN 负责让模型读懂分子的几何与拓扑，MolVAE 负责在潜在空间里"造"分子。两条线串起来，就是一个最小可用的分子设计 pipeline：生成候选、预测打分、迭代筛选。后续想深入网络组件或数据集接口，建议从 docs/ 的 API 文档和 tutorials/ 里的 notebook 继续看，它们覆盖了从化合物性质预测到分子生成的完整示例。

【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