基于片段的表征学习能建模共聚物与聚合物配方吗？

瓶颈在于重复单元本身

多数聚合物机器学习模型把聚合物编码为单个理想化重复单元，常用 p-SMILES 或类似的序列式字符串。论文认为，这种抽象适合围绕线性均聚物构建的基准数据集，却不符合许多真实体系的描述方式：共聚物、支化结构、交联网络和多组分配方。作者把这一问题界定为表征不匹配，而不只是数据稀缺，并指出：如果输入形式本身无法表达多组分或网络连接性，单纯扩大模型规模或数据量并不能解决它。

他们提出的替代方案是化学片段。片段由分子中的一组原子索引定义，因此既与原子级图保持关联，又是一个可识别的化学基元。片段可以在小分子、线性聚合物和配方前驱体之间重复出现，也不强迫模型接受某一种理想化的链描述。论文随后检验的正是这一点：在小分子上学到的片段级表征，是否携带足够的化学信息来预测聚合物性质。

缝合重复单元使迁移成为可能

CGMNet 构建两个相互关联的图。原子级图保留每个原子和共价键；粗粒化图则以片段为节点取代原子。原子特征由多层 GIN 层编码，每个片段的初始表征是其所属原子表征的均值。随后用 k 重叠规则连接片段节点：两个片段至少共享 k 个原子时视为相邻；对于会产生不相交划分的片段化方案，还可选择在切割边界引入一个原子的伪重叠，以免丢失连接性。

使小分子到聚合物的迁移成为可能的关键步骤是拓扑缝合。p-SMILES 等聚合物字符串用星号或虚拟原子标记重复单元边界，这会打断共价连续性。CGMNet 把一个重复单元的尾部锚点接到下一个单元头部的连接原子上，再套用预训练时相同的片段化方案和片段词表。论文指出，当存在明确的连接位点和网络连接性标注时，同一流程也可用于支化或网络聚合物；但本研究中的配方基准没有提供完全解析的反应网络图，因此另行处理。

在无标注分子上做自监督预训练

预训练使用无标注小分子，围绕片段身份和连接性设计自监督目标，并可选地把分子级描述符或指纹向量经 GRU 式更新融合进片段表征。随后由图 Transformer 层细化片段表征，其注意力分数综合了内容相似度、片段间离散化最短路径距离的可学习嵌入，以及一个依赖路径的汇总项。在下游任务中，任务专用预测器接在池化后的图级表征上，模型端到端微调；迁移初始化时排除预训练头和下游预测器。

论文评估了由九种片段化算法衍生出的 15 种表征配置，适用时区分重叠与非重叠变体。这一点对理解结果很重要：每种配置同时改变分子分解方式、诱导出的词表、预训练目标和学到的模型。报告中的 CGMNet (Best) 是各配置事后最高的平均测试结果，并非依据验证数据选出的配置；CGMNet (Avg) 是各配置的算术平均。作者说明，两者都不是集成预测，也不构成面向新数据集的选择规则。

粗粒化保留了大部分预测信号

在八个小分子分类任务和三个回归任务上（分别用 AUROC 和 RMSE 评估），CGMNet 与 MolFormer、GraphCL、GraphMVP、MoleBERT 和 KPGT 进行了比较。在所评估的片段化配置中，跨配置均值在 Estrogen 和 ToxCast 分类基准以及 FreeSolv 回归基准上尤其突出，而在 BBBP 和 ClinTox 等任务上差距较大。作者把这些差距归因于任务强烈依赖极性和氢键倾向：局部官能团在粗粒化图中仍然显式存在，但基于拓扑的模型并不表征实际形成的供体—受体接触和分子间相互作用网络。

这就是“片段图保留有用预测信息”这一说法的证据基础。论文的边界也首次在这里出现：该表征保留的是局部化学，而不是某些性质所依赖的分子间与凝聚态组织。

在九个均聚物基准上具竞争力

聚合物基准覆盖九个线性均聚物数据集：DFT 计算的链带隙和体相带隙、电子亲和能与原子化能；MD 计算的自由体积分数与密度；以及实验测量的玻璃化转变温度、熔融温度和分解温度。性能用 R² 和 RMSE 报告。比较对象包括聚合物序列预训练基线 polyBERT 和 TransPolymer、显式引入三维结构信息的多模态基线 MMPolymer，以及结合随机森林和 XGBoost 的 ECFP 指纹。

CGMNet (Avg) 在全部九个数据集上都比两个 ECFP 基线取得更高的 R² 和更低的 RMSE；CGMNet (Best) 在其中七个数据集上达到报告的最高 R²。论文称，尽管只使用二维粗粒化表征，CGMNet 在若干电子、能量和热学性质上（包括体相带隙、原子化能和三个转变温度）与最强对比方法相当。所有方法都在相同的三个随机训练、验证和测试划分上评估，作者把结果解释为在所采样聚合物化学空间内的预测，而非对未见聚合物家族的严格外推。

自由体积与熔融温度暴露二维极限

自由体积分数仍是最清晰的边界案例。FFV 在链堆积和平衡之后才确定，因此既反映重复单元化学，也反映凝聚态组织，而二维粗粒化表征对后者的捕捉更间接。这与 MMPolymer 在 FFV 上更强的表现一致，因为其输入显式包含三维结构信息。熔融温度也比玻璃化转变温度更难预测；论文指出 Tm 对结晶有序度、链规整性、立构规整性、晶体堆积以及热历史或加工历史尤其敏感，而且 ECFP 基线和其他重复单元模型同样表现出较低的 Tm 性能，因此这并非 CGMNet 特有。Tm 数据集较小也可能有影响。

片段化选择本身也是所学表征的一部分，而不是孤立的预处理步骤。最明显的片段化效应出现在原子化能上，而对电子亲和能而言，两种变异来源相当。对 Tg 来说，一个始终较弱的 r-BRICS 重叠结果解释了大部分表观上的配置依赖，其余 14 种配置则紧密聚集。在其余六个数据集上，表征之间的差异小于数据划分之间的差异。Junction tree 分解在九个数据集中的五个上取得最高观测均值；作者指出其图分辨率更细，过滤后的词表中双原子键团占语料片段出现次数的 70.7%，环团占唯一词表类型的 86.2%，但他们也提醒，词表构成以及独立预训练配置之间的其他差异同样可能有贡献，需要受控比较才能确定。

配方按组分逐一编码

配方数据集以组分列表而非单个重复单元给出，因此 CGMNet 通过逐组分编码前驱体并在样本级聚合来处理。论文评估了三种情形：一个包含 389 个二元配方的环氧树脂数据集，具有明确摩尔比和实测 Tg；一个包含 210 个配方的聚酯树脂数据集，具有实测 Tg，每个样本最多七个组分，由二元酸、二元醇以及部分情况下的三羟甲基丙烷组合而成；以及一个包含 8424 个二元酸—环氧化物配方的 vitrimer 数据集，其 Tg 来自校准的分子动力学模拟，但没有明确的组成比例，因此两个组分各赋权重 0.5。

可解释性通过事后基于扰动的归因评估：某片段的得分，是把该片段从最终均值池化步骤中排除后预测值的变化。作者说明这些归因是模型内部关联而非因果效应，因此关注跨聚合物的稳健方向性趋势和反复出现的基元排序，而非精确数值。预训练片段表征的 UMAP 投影显示，小分子片段与聚合物片段在苯基、类咪唑杂芳环和酯类等基元上占据共同的局部邻域，而含氟基元的分布更分散。作者认为这与“迁移依赖可复用的片段语义而非仅参数复用”的看法一致，同时明确不把它当作因果证据。

边界在输入化学而非最终结构

配方编码器表征的是前驱体身份以及（在可得时）组成比例，而不是已反应的聚合物网络。缺少反应转化率、交联密度、网络结构、形貌和加工历史等信息时，它们无法区分经受不同固化或加工条件的名义相同配方。组分新颖性评估支持这样一种迁移：留出配方包含一个不熟悉的精确组分身份；但作者指出，这并不能确立对未见组分家族或已反应网络的严格外推。现有基准同样没有确立对序列敏感共聚物的适用性（这类体系需要显式的序列或连接性信息），也没有确立对物理聚合物共混物的适用性（这类体系需要相容性、相形貌、界面和加工历史的描述符）。

因此，论文对结果的界定比关于共聚物和配方的笼统说法更窄。基于片段的预训练被定位为可复用的化学层，而不是对聚合物状态的完整描述；作者提出把它与结构、形貌和加工描述符结合，并把片段表征与 FTIR、拉曼和 NMR 等官能团敏感测量连接起来，作为通向逆向设计和闭环配方工作流的路径。

按局部化学选片段，而非按网络状态

这篇论文支持的判断很具体：当目标性质由局部化学和连接性主导时，例如电子与能量性质或玻璃化转变，用小分子预训练的片段表征是可信且可解释的接口，其跨配置均值在全部九个均聚物数据集上都优于两个 ECFP 基线。当目标依赖链堆积、结晶有序度或已反应网络时，同一表征就是错误的层级，FFV 和 Tm 的结果说明了这一点。作者也拒绝推荐通用词表大小，认为应结合词元覆盖率、频率与片段尺寸分布、计算成本和验证性能一并考虑。

因此，对这篇论文最有用的读法是按性质和输入描述方式划分，而不是对片段学习给出总体裁决。对重复单元均聚物和前驱体定义的配方，片段提供了一种共享的、基元级表征，可从分子预训练迁移而来。对序列敏感共聚物、物理共混物和固化网络，论文的证据止于前驱体描述；作者把结构、形貌和加工信息视为尚缺的一层，而不是片段预训练已经提供的东西。

本文引用的文献