Chemprop：分子性质预测的消息传递神经网络工具

Chemprop 是一个基于消息传递神经网络的开源 Python 包，用于从分子图结构预测化学性质，支持药物发现和材料研究中的分子性质建模。

这个工具是什么

Chemprop 是麻省理工学院相关团队开发并维护的开源工具，提供消息传递神经网络（MPNN）实现，用于分子性质预测。其理论基础最初在 2019 年关于学习分子表示的文章中描述，后续版本扩展至反应性质预测。当前版本为 v2.0.0，进行了彻底重写，采用模块化设计，并提供从 v1 到 v2 的迁移指南。工具以 Python 编写，可通过 PyPI 或 conda-forge 安装，遵循 MIT 许可证。Chemprop 已被用于抗生素发现等研究，例如预测大肠杆菌抗菌活性并发现 Halicin，以及识别对 MRSA 有选择性的抗生素结构类别。

核心能力

• 基于消息传递神经网络，直接从分子图学习表示并预测性质
• 支持分子和化学反应的性质预测，涵盖多种化学任务
• 提供可解释性功能，可识别对预测重要的子结构
• 支持原子和键级别的预测，基于量子力学描述符相关研究

科研中的典型用法

• 预测小分子的物理化学性质或生物活性，如溶解度、毒性、抗菌活性
• 构建集成模型用于虚拟筛选，识别潜在候选药物或材料
• 利用可解释性分析识别影响预测的关键子结构，指导分子优化

快速上手

可通过 pip 安装：`pip install chemprop`，或使用 conda：`conda install -c conda-forge chemprop`。入门可参考官方文档和 `examples/` 目录中的教程 notebook。v2 版本进行了重写，从 v1 迁移时需注意 CLI 参数和默认超参数的变化，建议查阅迁移指南。

生态与相近工具

同领域还有 DeepChem、DGL、PyTorch Geometric 等图神经网络工具，以及 RDKit 等化学信息学库。Chemprop 专注于分子性质预测，提供端到端的训练和预测流程，适合需要快速构建 MPNN 模型的化学研究者。若需更底层的图神经网络定制，可考虑 PyTorch Geometric 或 DGL。

项目信息

• 仓库：chemprop/chemprop
• 星标：2,466　·　派生：758
• 主要语言：Python
• 许可证：NOASSERTION
• 最近提交：2026-09-01
• 项目主页：https://chemprop.csail.mit.edu

本文属于《学科研究工具知识库 · 化学》第 3 篇（按 GitHub 星标排序）。收录标准：该学科公开可获取的开源研究工具，星标与活跃度为主要参考，不代表对其性能或适用性的背书；选型前请结合自身场景评估。