分子可以天然地表示为图：原子是节点，化学键是边。正因如此，图神经网络（GNN）成为分子性质预测的主流模型。斯坦福 CS224W《Machine Learning with Graphs》是系统学习图机器学习的经典公开课，由 Jure Leskovec 教授主讲。
课程讲什么
- 节点表示与图嵌入；
- 图神经网络与消息传递机制（Message Passing）；
- 图分类、链接预测、知识图谱；
- 图生成等进阶主题。
课程有公开的讲义、Colab 作业与录播视频，理论与代码兼顾。
为什么这对分子建模关键
- 分子是图：GNN 能直接在分子图上学习，无需手工设计指纹。
- 消息传递：原子通过化学键不断「交换信息」，正是 Chemprop（D-MPNN）等 SOTA 分子模型的核心机制。
- 迁移性强：同一套图学习思想可用于分子、蛋白互作网络、知识图谱（靶点发现）等多种任务。
学习建议
- 不必一次学完整门课，先掌握「节点嵌入 + 消息传递 GNN」两块，足以理解多数分子 GNN 论文。
- 学完后直接去看《Chemprop / D-MPNN 论文精读》，把课程概念落到分子任务上。
关键要点
- 分子 = 图，所以 GNN 成为分子建模主流；
- 抓住「消息传递」这一核心概念即可读懂多数分子 GNN；
- 先学节点嵌入与 GNN 两章，再进分子论文，性价比最高。
延伸资源
- 课程主页：web.stanford.edu/class/cs224w（含讲义与 Colab）。
- 配套阅读：「AI 模型」模块的《图神经网络 GNN》《Chemprop / D-MPNN 论文精读》。