第四名解决方案 — 基于 SMILES 衍生特征的 LightGBM

副标题：利用自由基拓扑和几何描述符改进聚合物性质预测。

特征工程

NeurIPS 2025 开放聚合物预测挑战赛旨在从分子结构预测关键的聚合物性质。这些性质包括密度、热导率 (Tc) 和玻璃化转变温度 (Tg)，以及两个衡量分子大小和堆积效率的指标：回转半径 (Rg) 和分数自由体积 (FFV)。

我的解决方案基于 LightGBM 基线模型，在此基础上我添加了一组从聚合物化学结构 derived 的新特征。

主要目标是捕捉 SMILES 中自由基标记 * 之间的位置关系，因为拓扑结构和局部邻域强烈影响诸如 Tc 和 Rg 等性质。

除了标准的 2D 描述符外，我还结合了从 RDKit 生成的构象中计算的 3D 几何描述符。

这些属性捕捉了分子的全局形状和原子的空间分布，提供了超越拓扑结构的互补视角。

为了提供更全面的分子表示，我引入了与结构中芳香环和脂肪环的存在及特征相关的特征。

处理玻璃化转变温度 (Tg) 是比赛的主要挑战之一。Tg 值显示出高度的变异性，并且深受细微结构变化的影响。为了改进学习过程，我对 Tg（以及 Rg）使用了 α = 0.85 的分位数回归目标，专注于从分布中的较高值学习。对于其他目标（Tc、密度和 FFV），我保持了标准的 0.5 分位数（中位数）。

通过 SMILES 取代进行数据增强

在误差分析期间，我 identified 了 Rg 和 Tc 预测最差的分子。

针对这些困难案例，我设计了一个受控数据增强流程，

生成具有微小程序结构变化的合成 SMILES。

这用结构上合理的示例扩展了训练集，

帮助模型学习局部取代趋势，并提高其

在具有不常见拓扑结构的分子上的泛化能力。

• 官能团取代
  我引入了简单的取代基，如 F、Cl、CN 和 CF₃（倾向于增加刚性和极性），
  以及更灵活的基团，如 CH₃、OCH₃ 和 O（通常减少 Rg）。
  → 每个取代基都被分配了一个 ΔRg（正或负），并调整了
  少量随机噪声以降低过拟合风险。

数据集

为了训练，我结合了多个 SMILES 数据集，以扩大结构多样性并改善每个目标性质的覆盖率。

用于训练的 SMILES 数量

数据集来源

代码参考

本解决方案建立在 Dmitry Uarov 的公开 Notebook NeurIPS 基线 + 外部数据 之上。
我将其作为基础，并通过以下几种方式进行了扩展以提高预测性能：

• 添加了新的化学衍生特征，以捕捉 SMILES 中自由基 (*) 的位置关系。
• 集成了从 RDKit 生成的构象中计算的 3D 几何描述符。
• 包含了与芳香环和脂肪环相关的描述符，以考虑刚性、共轭和灵活性。
• 通过针对 Tc 和 Rg 预测不佳的分子进行 SMILES 变换，应用了受控数据增强。