1.一种基于局部图特征与全局关系的分子性质预测方法，包括四个步骤，具体步骤如下：

步骤 1、首先，使用Chem.MolFromSmiles()函数将SMILES字符串转化为分子对象，调用 atom_features() 函数提取原子特征，并通过独热编码进行数值化；然后，通过全连接层对边特征进行嵌入，得到高维特征表示，并调整维度以适配图神经网络的输入要求；接着，提取每条化学键的特征，并通过get_edge_features()函数获取边类型，进行独热编码，最终结合节点和边特征提供高质量的图结构输入数据；

步骤2、基于步骤1生成的分子图，使用图同构网络进行特征提取，并通过注意力机制捕捉远距离节点间的关系；图同构网络简称为GIN；数据通过三层GIN网络逐层提取局部图特征，每层输入特征维度与边特征维度相匹配；第一层将节点特征从93维映射到512维，第二层扩展到1024维，第三层回缩至512维；每层使用ELU激活函数，并通过边特征增强节点交互；引入多头注意力机制捕捉长距离节点关系，最后通过全局平均池化聚合节点特征为512维图级特征；

步骤3、基于步骤1生成的分子图数据，使用图注意力网络进行特征提取，并捕捉全局关系；图注意力网络简称为GAT；首先，对数据进行归一化处理，再通过两个全连接层对边特征和节点特征进行对齐；数据经过两层GAT网络，第一层将节点特征从93维映射至512维，使用

10个注意力头，ELU激活函数和Dropout防止过拟合；第二层将节点特征从512×10映射回

512维，再次使用ELU和Dropout；最后，通过多头注意力机制捕捉全局节点关系，并通过全局池化层聚合为图级特征；

步骤4、利用GIN和GAT提取局部和全局特征，生成节点级或图级表示，维度为512；然后，通过加权机制将图神经网络提取的图特征与分子指纹特征融合，确保两种特征互补；加权系数在训练过程中进行优化，并能够动态调整；引入注意力机制，根据每个特征对最终预测的贡献度动态调整图特征与指纹特征的融合比例；最后，将融合后的特征向量输入至三个全连接层，经过线性变换、ReLU激活和Dropout处理，最终输出分子性质预测值。