第一次在一篇分子图模型的标题里看到"补语"两个字，我愣了几秒——这不是语法课上的概念吗？读完才明白，作者是借语言学的说法：一句话里关键词是主干，补语交代时间、地点、方式；一个药物分子里，局部子结构是"关键词"，剩下的骨架部分就是"补语"。这篇《基于局部子结构特征及其补语的药物-药物相互作用预测》做的事情，用一句话概括就是：把每个药物分子拆成"局部子结构"和"挖掉这段子结构之后剩下的部分"，两路分别编码，再做药物对之间的交互建模，最后输出这对药一起吃会不会出问题的概率。
这件事的价值在哪儿？药物-药物相互作用预测长期被当成一个"分子相似度"或者"全局向量拼接"的问题来做，两个分子各自压成一个向量，扔进全连接层。可临床上出事的往往是某个含氮杂环、某段磺酰胺、某个螯合位点，它们在整张分子图里只占几个原子，池化之后权重被彻底稀释。这篇工作把"局部"重新拎到台面上，并且额外强调了一个大多数同类方法会忽略的东西：局部片段处在什么环境里。做分子性质预测、药物警戒、或者单纯想复现一篇图神经网络论文的人，都值得把它的思路拆一遍。下面我按自己读论文和复现的习惯，把机制、实现链路、评估陷阱和踩过的坑挨个过一遍。
1. 先把任务摆正：DDI预测不是"两个分子算个相似度"
1.1 临床上要回答的其实是三个不同问题
很多人一上来就把DDI当成二分类，这是个很容易埋雷的开局。实际需求至少分三档：第一档是"有没有相互作用"，标签是0/1；第二档是"是哪一类相互作用"，比如协同、拮抗、代谢酶抑制、转运体竞争、QT间期延长风险，这是多标签或者多分类；第三档是"有多严重"，要么是分级标签，要么是连续的风险分。三者对模型结构、损失函数和评估指标的要求完全不一样，混在一起做出来的东西往往在论文里好看、到真实场景里没法用。
| 任务形态 | 标签类型 | 输出层设计 | 合适指标 | 常见误用 |
|---|---|---|---|---|
| 相互作用有无 | 二值 | 单logit + Sigmoid | AUROC、AUPR、F1 | 正负比1:1下报AUPR，虚高 |
| 相互作用类型 | 多标签 | 每个类型一个logit | mAP、micro-F1、子集准确率 | 忽略类型间强相关 |
| 严重程度 | 有序分级/回归 | 序数回归或soft label | QWK、MAE、分级召回 | 把序数当类别做交叉熵 |
我这几年看到的一个规律是：论文里报得最漂亮的通常是第一档，而落地最难的恰恰是第二档和第三档。原因不复杂——第一档的标签最容易从公开数据里凑出来，正负样本也最容易造；后两档的标签稀疏、标注口径不统一，不同来源对"严重"的定义能差出好几个等级。
1.2 相互作用的物理载体天然是"局部"的
代谢酶抑制是最典型的例子。一个分子之所以能抑制某类代谢酶，通常是因为它身上有那么一段结构能嵌进酶的血红素口袋，跟血红素铁配位或者跟关键残基形成氢键。含咪唑、三唑的唑类骨架有这个倾向；含强碱性叔胺的分子容易在酸性细胞器里富集，从而放大某些转运体相关的相互作用；带邻苯二酚或者羟基喹啉结构的分子容易和金属离子螯合，影响吸收。这些机制全都锚定在分子的一小段结构上，而不是"整个分子长什么样"。
反过来讲，两个整体相似度很低的分子，只要共享同一个关键药效团，就可能表现出同一种相互作用模式。这时候用全局指纹算Tanimoto、用全局图向量算余弦，都会给出"不相似"的判断，模型自然学不到。我在早期做过一个很土的对照实验：把分子的全局Morgan指纹和"只取含氮杂环那部分原子算的指纹"分别做逻辑回归，后者在少数几类代谢相关标签上反而更强。这个结果当时挺打击人的，但也解释清楚了为什么后面大家都要往子结构上走。
1.3 全局池化是怎么把信号稀释掉的
一个中等大小的药物分子，重原子数常见在20到50之间。如果关键片段只有4到6个原子，经过三四层消息传递再做平均池化，这段片段的贡献在整个向量里大概只占百分之十几。更麻烦的是，图神经网络的消息传递本身是低通滤波，层数一多，节点表示趋同，局部差异被进一步抹平。你去看那些"层数消融"的曲线，往往第二层或第三层最好，加到第五层就开始掉，本质就是这个原因。
注意力池化看起来能缓解，但也只是缓解：注意力权重是靠训练学出来的，如果训练信号本身稀疏、正样本占比很低，注意力很难稳定地锁在关键片段上。这也是"局部子结构"这条路线最硬的理由——与其指望模型自己学会关注哪里，不如在输入层面就把局部显式地抠出来，让它成为独立的一路特征。当然代价是引入了"怎么抠"这个新的超参数问题，后面会细说。
1.4 从手工指纹到显式建模，其实走了个圈
有点讽刺的是，最早的扩展连接指纹本质上就是子结构方法：以每个原子为中心，按半径展开，把每种局部环境哈希成一个整数。它天然是"局部"的，而且非常高效。后来图神经网络兴起，大家觉得端到端学习更优雅，结果绕了一圈又回到"要显式建模局部"。区别在于，指纹里的子结构是固定规则枚举出来的、离散的、不可微的；而现在的方法希望子结构是数据驱动选出来的、可以带连续权重的。这个演进脉络想清楚，读这篇论文时就不会觉得"补语"是个凭空冒出来的概念——它其实是把"局部片段 + 环境上下文"这个古老直觉，用可学习的模块重新写了一遍。
2. 拆开看："局部子结构 + 补语"到底在建模什么
2.1 补语的第一层含义：分子图上的补集
最直白的理解就是集合论。给定分子图 G 和它的一个子图 S（局部子结构），补语 C 就是 G 里不属于 S 的那部分节点和边。这件事听起来平平无奇，但实现上有几个必须提前想清楚的点。第一，C 通常不是连通的，抠掉一个位于分子中部的环系之后，剩下的部分可能碎成两三个连通块，直接当一张图编码会让消息传递跨不过断口。第二，抠掉片段时要不要保留边界原子？如果保留，S 和 C 会有重叠，信息泄漏；如果不保留，C 的边界化学环境就断掉了。第三，C 的规模可能远大于 S，两路特征的维度不平衡，融合时容易一边倒。
我自己的处理习惯是：抠掉子结构时保留一圈边界原子作为"共享边界"，但在这两路编码结束后，用不同的投影头把它们映射到同一维度，避免直接共享嵌入带来的泄漏。碎成多块的问题，简单做法是对每个连通块分别做池化再求和，复杂一点就加一个虚拟超级节点把所有块连起来。前者实现快、后者表达力强，看你的算力预算。
2.2 补语的第二层含义：给片段提供化学环境
这一层才是这篇论文真正想强调的东西，也是我觉得最有价值的地方。同一个官能团，长在不同骨架上的性质可以差很远。举个结构层面的例子：游离的酚羟基和邻位带大位阻基团的酚羟基，在亲核反应性和与蛋白口袋的贴合度上完全不同；伯胺和叔胺的碱性差着好几个数量级，质子化状态不同，跨膜行为就不同；同样一个羧酸，旁边挂着吸电子基团时 pKa 能往下掉一个单位以上。这些都是"环境"对"片段"的调制。
放到模型里看，如果只编码子结构 S，那么"含某个杂环"这件事对所有分子都是一样的表示，模型没法区分"这个杂环裸露在外"和"这个杂环被三个大基团包住、根本贴不进口袋"。补语通道提供的就是这个上下文：它告诉网络这段片段处在什么骨架、什么电子环境、多大的空间位阻里。用一个不太严谨但好懂的类比——关键词"苹果"在一句讲水果的话里和在讲手机的话里，意思完全不同，补语就是那句上下文。
2.3 双通道融合：为什么门控比直接拼接靠谱
最省事的融合就是把两路向量拼起来送进MLP。问题在于补语的维度通常更大、信息更杂，拼接之后它在梯度里的份额天然占优，模型的注意力会被拉向"整体骨架"而不是"关键片段"，等于白拆了。我试过的一个改进是按样本做门控：让网络自己决定这个样本里补语该注入多少。
class GatedComplementFusion(nn.Module): def __init__(self, dim, dropout=0.2): super().__init__() self.gate = nn.Sequential( nn.Linear(dim * 2, dim), nn.Sigmoid() ) self.proj = nn.Sequential( nn.Linear(dim, dim), nn.ReLU(), nn.Dropout(dropout) ) self.norm = nn.LayerNorm(dim) def forward(self, h_sub, h_comp): # h_sub: 子结构表示, h_comp: 补语表示 g = self.gate(torch.cat([h_sub, h_comp], dim=-1)) h = h_sub + g * self.proj(h_comp) return self.norm(h)写成残差的形式有个好处：当门控接近0时，这一路退化成"只看子结构"，模型可以自己选择不用补语。这在训练初期特别重要——子结构通道往往收敛更快，如果强行让两路同步，补语通道的随机噪声会拖慢整体。实测下来，门控值的分布在训练后期会明显分化：那些依赖特定片段的样本门控偏低，那些片段效应不明显、更依赖整体骨架的样本门控偏高。这个分布本身就是一个挺有意思的可解释性信号。
2.4 "局部子结构"怎么定义，直接决定了模型的天花板
这是整篇论文最容易被读者跳过、但实际上最关键的设计选择。三种主流做法各有各的偏差：
| 定义方式 | 具体做法 | 优点 | 偏差来源 |
|---|---|---|---|
| 规则枚举 | 用可断裂键规则切分、或按官能团词典匹配 | 可解释、无需训练、稳定 | 只认"人类已知"的片段，漏掉数据里的新模式 |
| 学习式软分配 | 给每个原子打分，取top-k节点诱导子图 | 数据驱动、可微 | 容易塌缩到少数高频片段，训练不稳定 |
| 对比/重构驱动 | 用自监督任务逼模型挖出判别性motif | 能发现新片段 | 训练成本高，超参敏感 |
规则枚举在工程上最省心，但它的知识边界就是化学家的知识边界；学习式软分配理论上更强，我却见过太多次"所有分子的top-k都落在苯环上"的塌缩现象，原因是苯环在数据里出现频率最高、重构损失最容易降。要缓解的话，可以在打分时加一个频率惩罚项，或者对片段表示加多样性正则。这篇论文选了哪条路，直接决定了它的"补语"是什么形态——如果是规则切分，补语就是确定的；如果是软分配，补语其实是带权重的软补集，实现复杂度会高一个档次。
2.5 交互层怎么接：从拼接MLP到共同注意力
两路特征搞定之后，药物对之间的交互建模还有得选。最简单的拼接加MLP，参数量小但表达力弱，学不到"片段A和片段B之间"的细粒度对应关系。双线性模型表达力强一些，直接学一个 d×d 的交互矩阵，代价是参数量是 d²，d 取256的话就是六万多参数，还只是单层。工程上常用的折中是低秩分解，把 W 拆成 U 和 V 两个 d×r 的矩阵，r 取32到64，参数量直接降一个数量级，效果掉得不多。
再往上就是共同注意力：让药物1的子结构表示去 query 药物2的子结构表示，算出一组匹配权重，再聚合。这条路最贴合"哪个片段和哪个片段撞上了"的直觉，代价是计算量随片段数平方增长。我的经验是：片段数控制在8到15个、每个片段表示维度控制在64左右，共同注意力的开销还可以接受；一旦片段数上到30以上，显存和训练时间都会变得很难受，这时候不如退回低秩双线性。
3. 复现链路：从SMILES字符串到一对药物的风险分
3.1 数据和标签：先搞清楚标签是怎么来的
公开的DDI基准数据大致两类来源：一类是从药品说明书的相互作用条目里整理的，规模小、质量高、标注口径相对统一；另一类是从不良反应上报系统的统计信号里挖出来的，规模大但噪声重，很多"信号"只是统计共现，没有机制证据。这两类数据混着用，是最常见的翻车点——模型学到的可能是"这两个药经常被同一个科室开"，而不是"这两个药在体内打架"。
我在预处理阶段会固定做几件事：一是把药物标识统一到结构层面，同一成分的不同盐型、不同晶型合并成一个分子；二是剔除重原子数小于8的片段（溶剂、无机离子）；三是把只出现一两次的稀有药物直接丢掉，否则冷启动评估没法做；四是检查标签里有没有"自己跟自己"的条目，这类样本在训练集里会造成泄漏式的虚高。这些操作听起来琐碎，但少做一步，后面的数字就不可信。
3.2 子结构和补语的抽取
抽取环节我一般先用规则法打底，因为它可复现、好调试。核心是把分子拆成片段集合，同时记录每个片段占用的原子索引，这样才能算出对应的补集。
from rdkit import Chem def split_substructures(mol, min_atoms=3, max_frags=12): """按可断裂键把分子切成片段，返回 (原子索引集合, 片段SMILES) 列表""" from rdkit.Chem import BRICS frag_mols = BRICS.BRICSDecompose(mol, returnMols=True) results = [] for fm in frag_mols: if fm.GetNumHeavyAtoms() < min_atoms: continue # 通过子图匹配把片段原子映射回原分子 matches = mol.GetSubstructMatches(fm, uniquify=True) if not matches: continue results.append((set(matches[0]), Chem.MolToSmiles(fm))) results.sort(key=lambda x: len(x[0]), reverse=True) return results[:max_frags] def complement_atom_set(mol, sub_atoms, keep_boundary=True): """求补语节点集合，可选保留一圈边界原子""" total = {a.GetIdx() for a in mol.GetAtoms()} if not keep_boundary: return total - sub_atoms boundary = set() for idx in sub_atoms: for nb in mol.GetAtomWithIdx(idx).GetNeighbors(): if nb.GetIdx() not in sub_atoms: boundary.add(nb.GetIdx()) return (total - sub_atoms) | boundary def induce_subgraph(mol, atom_set): """按原子集合诱导子图，得到可独立编码的分子对象""" em = Chem.RWMol() idx_map = {} for idx in sorted(atom_set): idx_map[idx] = em.AddAtom(mol.GetAtomWithIdx(idx)) for bond in mol.GetBonds(): i, j = bond.GetBeginAtomIdx(), bond.GetEndAtomIdx() if i in idx_map and j in idx_map: em.AddBond(idx_map[i], idx_map[j], bond.GetBondType()) return em.GetMol()有一个细节值得单独提：GetSubstructMatches在片段对称性高的时候会返回多个匹配，取第一个就够用了，但要注意芳香性感知的差异，有时候片段SMILES的芳香形式和原分子的Kekulé形式匹配不上，得先做一次规范化。这个坑我卡了整整一个下午，最后发现是读取SMILES时没开sanitize。
3.3 编码器：别一上来就堆层数
子结构图和补语图都很小，多数片段的重原子数在3到15之间。这种规模下，图卷积层数超过3层基本就是负收益，两层往往是甜点。我用的是带边特征的GINE变体，加一个门控残差，理由是小图上节点少、感受野扩张快，残差能稳住深层梯度。补语那一侧因为可能碎成多块，我给每块单独编码后做注意力聚合，块数上限截到6，超出的按大小取前6块，剩下的并进"其他"桶——这属于工程妥协，但在实际数据上损失很小。
一个容易忽略的点是：子结构和补语必须共享词表。原子类型、度数、形式电荷、是否在环上、杂化方式这些特征的定义要完全一致，否则两路表示不在一个语义空间里，后面的门控和对比损失都会失效。我在第一版里因为两边的特征维度差了一个（一边加了手性、一边没加），训练了几轮发现门控值全是0.5左右不分化，排查了半天才发现是维度对不齐被广播了。
3.4 损失设计：主任务、辅助任务与正负比
主损失就是二分类交叉熵，但正负比往往在1:10甚至更悬殊，直接训练会让模型偏向负类。两个处理手段：给正类加pos_weight，或者用 focal loss 压一压易分样本。我一般先用pos_weight把召回拉到合理区间，再看精确率能不能接受，focal 留到后面精调。
辅助任务方面，这篇论文的思路里有一点值得借鉴：既然子结构和补语是从同一个分子切出来的，那它们之间应该存在一致性约束。可以在训练时构造"配对判别"任务——给一批（子结构，补语）对，一部分来自同一分子，一部分来自随机搭配，让模型判断是否配对。这个自监督信号不依赖标签，等于给两路编码器额外喂了数据，在标签稀少的时候特别有用。
def pair_consistency_loss(h_sub, h_comp, temperature=0.1): """同一分子内的子结构-补语应互相靠近，跨分子的应远离""" h_sub = F.normalize(h_sub, dim=-1) h_comp = F.normalize(h_comp, dim=-1) logits = h_sub @ h_comp.t() / temperature labels = torch.arange(h_sub.size(0), device=h_sub.device) return 0.5 * (F.cross_entropy(logits, labels) + F.cross_entropy(logits.t(), labels))这类对比损失有个副作用要提前防：batch 内负样本的难度分布很不均匀，容易让模型靠"识别batch内谁跟谁来自同一个分子"这种捷径过关。缓解办法是维护一个动量更新的队列，把历史样本也当负例，或者干脆把温度调高一点（0.1到0.2之间比较稳）。
3.5 调参顺序：先调什么，后调什么
复现这类模型最容易犯的错误是同时调一堆超参。我给自己的顺序是固定的：
| 阶段 | 主要目标 | 关键超参 | 判断依据 |
|---|---|---|---|
| 第一轮 | 跑通、不崩 | 学习率、batch size | 损失是否单调下降 |
| 第二轮 | 定结构 | 层数、隐藏维度、片段数上限 | 验证集AUROC是否到平台 |
| 第三轮 | 调平衡 | pos_weight、阈值 | 验证集F1与召回 |
| 第四轮 | 精修 | dropout、辅助损失权重、温度 | 多次种子取均值和方差 |
特别注意跑三次以上不同随机种子，报均值和标准差。这类模型在只有几千条正样本的数据集上，种子间AUROC能差出两三个点，只跑一次得出的"提升0.8%"基本没有意义。
4. 评估里最容易骗自己的四个地方
4.1 随机划分给出的高分，多半是假象
随机按药物对划分，会让同一个药物同时出现在训练集和测试集里。模型完全可以靠"记住这个药"来得分，而不是学到结构到相互作用的映射。真实的用药场景是：新药上市，要判断它跟现有药物会不会冲突，这时候训练集里根本没有这个分子。所以必须做冷启动划分——按药物划分，保证测试集里的每个药物在训练集中完全没出现过。
这两种划分的分数差距能有多大？我见过在随机划分上AUROC 0.96、换成按药物划分掉到0.78的例子。论文如果只报前者，那个数字对实际应用几乎没有参考价值。另外还有更严格的"双冷启动"——测试集里两个药物都没见过，这个设置下的性能才是模型泛化能力的真正下限。
4.2 负样本怎么造，决定了AUPR的天花板
DDI数据几乎没有可靠的负样本，因为"没记录"不等于"没相互作用"。常见的造法有三种：随机采药物对、按相似度采困难负例、按频次分层采样。随机采最简单，但负例太容易区分，AUPR会虚高；困难负例（比如结构相似但标签为负的）更接近真实难度，但一不小心就会把"未被发现的正例"当成负例，引入标签噪声。
我的做法是双轨制：随机负例用来做训练，困难负例单独做一个评估集。报告的时候两个都给出，看模型的差距有多大。差距小说明模型学到的是机制，差距大说明它主要靠"这两个分子长得不像"这种肤浅线索。
4.3 AUROC好看不等于能上线
AUROC衡量的是排序能力，跟阈值无关。但落地场景里你必须定一个阈值来决定"要不要弹警告"。在正样本占比很低的情况下，AUROC 0.9对应的精确率可能只有0.2，也就是说五条预警里四条是误报，药师根本不会看。所以我更看重三个指标：固定召回下的精确率、top-k召回（比如按风险分排序取前100对，命中多少真阳性）、以及校准后的期望精度。这三个数字才决定这个东西能不能进流程。
4.4 消融实验必须回答的三个问题
看论文的消融表，我一般只盯三件事：去掉补语通道后性能掉多少（验证补语是否真的有用，还是只是个装饰）、把子结构换成随机采样的同规模子图后掉多少（验证子结构抽取是否比随机更聪明）、把两路融合换成简单拼接后掉多少（验证融合模块的收益是否值得那份复杂度）。如果第一个问题掉得很少，那"补语"这个概念的实际贡献就要打个问号，可能真正起作用的是双通道带来的容量增加，而不是补语本身的信息。
5. 复现时真正卡住我的几个细节
5.1 子结构粒度：太细碎，太粗又退化成全局
片段原子数下限设成3，已经是我试出来的经验值。设成2，会出现大量"两个碳加一根键"的碎片，信息量几乎为零，还占满了片段数配额；设成6以上，很多分子只能切出一两个片段，补语就退化成"整张图减一小块"，跟全局模型没什么区别。中间还有个隐性问题：环系和链状片段的规模分布完全不同，用同一个阈值会把大环全部排除掉或者把长链切得太碎。我后来的做法是按环和链分别设阈值，环系允许更大一些。
片段数上限也要小心。上限设得高，模型能覆盖更多片段，但计算量线性增长，而且留给注意力分配的预算被摊薄；设得低，会漏掉关键片段。我一般按数据集里分子重原子数的中位数乘以0.4来估，再上下试两档。
5.2 补语通道的"信息泄漏"嫌疑
这是我警惕性最高的一点。补语是"整张图减去子结构"，那么补语的表示里不可避免地残留了子结构的信息——比如子结构和补语之间的连接点类型、补语里紧挨着子结构的那几个原子的环境。如果处理不当，模型可能通过补语"反推"出子结构，两路变成冗余，双通道的收益全是假的。
验证方法很直接：单独用补语通道训一个模型，如果它的性能跟完整模型差不了太多，说明子结构通道没起作用；反过来，如果补语通道单独训出来几乎等于随机，而完整模型很好，那才说明两路确实互补。我还会做一个更狠的检查——把补语里的边界原子全部去掉，让它跟子结构完全不接触，看性能掉多少。掉得少，说明补语提供的是全局骨架信息；掉得多，说明模型其实在依赖边界处的局部耦合，那就要重新考虑"补语"这个概念是否名副其实。
5.3 类别不均衡下的阈值选择
训练完之后千万别直接用0.5当阈值。我的做法是在验证集上扫一遍阈值，取F1最大的那个点，然后往前挪一点（倾向召回），因为药物警戒场景里漏报的代价远高于误报。同时观察一下阈值-精确率曲线有没有"悬崖"——如果阈值从0.3调到0.35，精确率从0.35跳到0.6，说明模型输出的置信度分布很不平滑，这种模型在真实流量下会非常难用，因为输入分布的轻微漂移就会让预警数量暴涨。
5.4 可视化 sanity check：别只盯着损失曲线
这一点我觉得比任何指标都重要。把模型判为高风险的药物对拿出来，看看它关注的子结构片段长得像什么。如果画出来的片段是些莫名其妙的烷基链，那大概率模型在拟合噪声；如果集中在含氮杂环、羧酸、磺酰胺、邻二酚这类有明确化学意义的基团上，我才敢相信它学到的是机制。同样地，把补语通道的注意力权重画出来，看它是否落在与片段相邻的骨架上——落在远处说明它只是在做全局池化，落在近处才说明它真的在建模环境。
我还会做一个反向检查：人为把一个已知的、在文献里有明确机制报道的片段结构，从某个分子里"移植"到另一个不含该片段的分子上（用图编辑工具拼一个假分子），看模型的打分是否随之上升。这个测试不需要标签，纯靠机制知识做验证，对判断模型是否真的学到了子结构语义非常有效。虽然构造出来的分子在化学上不一定合理，但作为方向性检查足够了。
6. 顺着这篇往下走：三个还能补的方向
6.1 多任务：把相互作用类型和机制标签一起学
现在的做法基本是单个二分类任务的堆叠，有几个标签就训几个模型。更合理的做法是把"有无相互作用"和"相互作用类型"放进一个多任务框架，共享底层的子结构编码器。这样做有两个好处：类型标签虽然稀疏，但能给子结构表示提供更细的监督信号；反过来，二分类任务的大量样本又能稳住编码器的训练。需要注意任务间的梯度冲突，常见的处理是给不同任务的自适应权重，或者用梯度投影类的方法。
6.2 冷启动与新分子：子结构带来的天然优势
局部子结构的好处在这里体现得最明显：一个全新的药物分子，虽然在训练集里没有出现过，但它身上的片段可能在别的分子里出现过。这意味着模型可以在片段层面做迁移，而不是完全靠分子层面的相似度。这个思路可以直接做成few-shot：给定新药的少量已知相互作用，只微调片段级的嵌入和交互层，冻结编码器主干。我在一个小规模实验里试过，微调参数量控制在总参数的5%以内，收敛速度和最终性能都比全量微调更稳。
6.3 另一种"补语"：文本与知识图谱
这篇论文的"补语"是在分子图内部定义的。如果往外延一层，药物说明书文本、靶点信息、通路归属、不良反应记录，其实都是"分子之外的上下文"，某种意义上也是补语。用文本编码器抽一个药物描述向量，作为第三路和子结构、结构补语一起融合，理论上能补上纯结构信息覆盖不到的机制知识。麻烦在于文本质量和覆盖度参差不齐，而且文本里的信息往往跟结构信息高度冗余，需要设计去冗余的融合机制，不能简单拼接。
另外一个我比较看好的方向是，把"补语"从单分子扩展到药物对上：不只建模每个药物自己的片段和上下文，还建模"片段A和片段B在同一个蛋白口袋里的空间关系"。这需要引入对接或者口袋结构信息，数据获取成本高，但它是从"统计关联"走向"机制解释"的关键一步。
最后分享一个我自己读这类论文的小习惯：不看摘要先看它的子结构抽取图示，看它举的三个例子是什么。如果例子选得讲究，能看出"为什么这个片段危险、为什么那段补语改变了它的行为"，这篇论文的出发点就是扎实的；如果图示里只是随便画了几个片段、配一句"我们提取局部特征"，那基本可以预判它的消融实验会很敷衍。这个判断标准救过我不少时间，也让我少复现了好几篇注定跑不出结果的工作。
