概览
GraphMVP 提供了与 ICLR 2022 论文“Pre-training Molecular Graph Representation with 3D Geometry”配套的研究代码。其工作流程在预训练期间结合分子拓扑和几何信息，而下游任务只需要 2D 拓扑。因此，它适用于研究几何信息辅助的预训练是否能支持分子性质预测，同时无需在下游阶段使用 3D 输入。
该仓库介绍了用于分类和回归两种独立工作流程的 GEOM 数据集准备方法。分类任务的原子特征包括原子类型和手性；回归任务则使用更全面的 OGB 特征。实验脚本涵盖这两种工作流程中的预训练和下游微调。README 还链接了预训练模型权重、训练日志和预测文件，供用户结合实现代码检查这些产物；该项目并非托管式预测服务。
实现中区分了 GraphMVP 和 GraphMVP_hybrid，后者的不同变体增加了 2D 自监督前置任务。项目还包含生成式、对比式和预测式图自监督基线，用于对比实验。较早的产物名称与当前脚本术语有所不同，因此需要将日志和权重与相应配置匹配。文档所述环境针对特定版本，现有摘录无法证明其与当前环境兼容，也未提供定量预测性能证据。文档将 TorchDrug 集成列为未来工作，而非已实现的功能。
主要功能
- 预训练结合 2D 分子拓扑与 3D 几何信息，下游任务则只使用 2D 拓扑。
- 分类和回归工作流程分别包含 GEOM 预处理、预训练和微调脚本。
- 针对任务的原子特征化方案为：分类使用原子类型和手性，回归使用更全面的 OGB 特征。
- `GraphMVP_hybrid` 变体在 GraphMVP 工作流程中增加了 2D 自监督前置任务。
- 已实现的对比基线包括 EdgePred、AttrMask、GPT-GNN、InfoGraph、ContextPred、GraphLoG、Grover-Contextual、GraphCL、JOAO 和 Grover-Motif。
- README 提供了可下载的预训练权重、训练日志和预测文件链接。
使用场景
- 建议的评估方向：研究几何信息辅助的预训练在下游输入仅包含 2D 拓扑的分子分类任务中的效果。
- 建议的评估方向：在具有代表性的分子性质数据集上，评估使用 OGB 原子特征的回归工作流程。
- 建议的评估方向：采用一致的下游评估方案，对比 `GraphMVP`、`GraphMVP_hybrid` 和提供的图自监督基线。
- 检查相关训练日志和预测文件，以确定实验配置，并核对较早的产物名称与当前脚本名称之间的对应关系。
使用方式
- 阅读仓库 README和论文，了解几何信息辅助的预训练与仅使用 2D 数据的下游任务之间的区别。准备数据前，先选择分类或回归任务。
- 查看 README 中的环境说明，包括固定版本的 Python、PyTorch 和图学习库依赖。应将这些内容视为文档记录的环境配置，而不是与较新环境兼容的证据。
- 按照链接中的数据集说明操作，然后检查相应的 GEOM 数据准备流程。处理输入前，核对数据路径和任务所需的原子特征化方式。
- 查看 README 列出的相关预训练脚本。选择
GraphMVP、GraphMVP_hybrid或提供的基线，并核实配置；不要假定这些变体可以互换。 - 查阅相关产物和下游微调脚本。若计划进行评估，应将权重与其配置对应，并结合所选任务的标签检查预测结果。