新药研发是一项耗资巨大且周期漫长的系统工程。获得合适的分子表示是人工智能驱动的药物设计和发现的关键问题。常见的方法将分子表示为SMILES字符串、图、分子指纹等形式。这些方法通常视重原子（相对原子质量大于氢原子）为基本单位或是视整个分子为基本单位。但一个事实是,分子的许多性质是由某些特定的子结构所决定的。分子指纹包括了一些子结构的信息,但分子指纹并不具有分子的完整信息。例如子结构之间的空间关系就无法体现在分子指纹中。不同的分子可能得到相同的分子指纹。因此,需要一种更合理的分子表示。本文提出一种表示分子子结构特征的方法,通过数据驱动与人工知识相结合的方法,将分子表示为若干子结构。比起分子指纹或是一维分词等方法,所得到的子结构更接近真实的化学空间。为了编码分子中的子结构特征,本文提出一种基于子结构的分子编码器,在图神经网络的基础上添加子结构信息。该模型将特定子结构嵌入为向量,并结合进分子中对应原子的表示。图神经网络的预训练方法可被应用于分子图。特定子结构的嵌入可利用大量的无标签数据预训练得到。能够利用子结构信息的图神经网络可被用于下游任务,但该方法得到的是关于分子的局部信息。通过计算MOE（Molecular Operating Environment）中的分子描述符,就得到了关于分子的整体信息。本文提出了结合局部信息与整体信息的模型,在分子属性预测、ppi下游任务上测试方法的效果。