概览
库提供图数据处理和消息传递组件，面向多种图任务。此条目定位为分子图研究的开发基础库，不将其描述为化学专用预训练模型。
限制
需要自行选择模型、数据和训练设置；可选加速组件需匹配 PyTorch 与硬件环境。
主要功能
- 图数据与消息传递组件
- 官方 QM9 分子学习示例
使用场景
- 开发分子图预测模型
- 复现 QM9 图学习流程
使用方式
按官方指南安装 PyG，阅读官方 QM9 示例，再准备数据、模型和训练设置。记录依赖版本和评估拆分。
PyTorch Geometric
PyTorch Geometric（PyG）是通用图神经网络库；官方 QM9 示例提供了分子性质学习的明确化学应用路径。
条目更新 ·
相关资源
ChemBERTa 提供用于化学 SMILES 的类 BERT 模型，包括采用 RoBERTa 掩码语言建模的检查点，以及用于预训练、微调和分子性质预测研究的笔记本。
开源Python
分子性质预测
ChemML
开源工具ChemML 是一套用于化学与材料数据分析、挖掘和建模的 Python 工具，采用模块化设计，并有关于图神经网络、AutoML 和可解释性的工作记录。
开源Python
分子性质预测 · 材料发现
Chemprop
模型Chemprop 是一个基于 PyTorch 的工具包，用于训练和评估进行分子性质预测的消息传递神经网络，并提供命令行工作流、Python 模块和针对特定任务的笔记本。
开源Python
分子性质预测
DeepMol
开源工具DeepMol 是一个用于分子机器学习的 Python 工具包，可将化合物标准化和特征化与模型训练、评估、解释及可复用工作流连接起来。
开源Python
分子性质预测
DGL-LifeSci
开源工具DGL-LifeSci 是基于 DGL 和 PyTorch 的化学与生物图神经网络工具包，提供分子建模组件与示例。
开源Python
分子性质预测
DimeNet
模型DimeNet 提供 DimeNet 和 DimeNet++ 的参考实现，用于分子图上的方向性消息传递，并包含训练笔记本、测试集预测工作流和预训练模型。
Python
分子性质预测 · 量子化学
兼容客户端
用于以下实用方案
社区
用 PyTorch Geometric 构建 QM9 偶极矩 GNN 教学基线
准备 QM9 分子图，用仅基于训练集的标准化训练小规模 CPU GCN 基线，并以 Debye 报告验证集选模后的测试 MAE。
PyTorch Geometric
预测性质
难度: 中等
费用: 免费
隐私: 本地
~60 分钟
Python
查看安装指南 →相关指南
QM9 分子性质预测：如何正确评估
明确 QM9 目标和单位，区分分子图与几何输入，防止评估泄漏，并保留原始数据与处理过程的来源记录。
分子图学习工具：PyG、e3nn 与 DGL-LifeSci
区分图学习基础设施、等变运算库及面向化学的 DGL 工具包，并从表示、评估和版本边界出发选择。