“这个分子有毒吗？水溶性如何？会不会结合目标蛋白？”性质预测把这类问题转化为统计学习问题。DeepChem 把数据、特征化与模型三层解耦，恰好提供了一副合用的骨架，让这一领域的核心思想可以逐一挂上去讲。
本章的叙事是一条上升的阶梯：从传统机器学习基线，到图卷积，再到注意力聚合。每一级都在回答同一个问题——还能让模型多懂一点化学吗？而梯子的顶端不是最强的模型，是诚实的评估。
3.1
DeepChem 的三层抽象：数据、特征化、模型
Dataset、Featurizer 与 Model 的分工；统一抽象为何能大幅降低试错成本。
3.2
特征化管线：分子如何变成模型输入
从指纹向量到图张量；特征化是把化学先验注入模型的位置。
3.3
先立基线：随机森林与 ROC 曲线
基线为何不可跳过；树集成的原理；AUC 的概率解释与常见误读。
3.4
图卷积的来龙去脉：从谱方法到消息传递
谱图卷积到空间消息传递的演化；图卷积与图像卷积的本质差异。
3.5
消息传递的细节：GraphConv 与读出函数
消息—聚合—更新三步曲；神经指纹与神经消息传递；读出函数的置换不变性。
3.6
AttentiveFP：让网络学会看重点
图注意力机制的原理；由原子到官能团再到整分子的层次聚合。
3.7
多任务与类别不平衡：Tox21 的真实挑战
多任务的正则化效应；类别不平衡的应对之道；指标的选择。
3.8
训练之外：早停、超参与诚实的评估
验证集的角色；早停的原理；评估里常见的作弊手法与防范。