很多日用化工产品,如塑料、橡胶等,在自然条件下很难降解,对生态系统造成了诸多危害。而生物可降解化合物可以被自然环境中的微生物有效降解,不会对生态环境造成太大的影响。因此,各个国家都在努力开发生物可降解化合物去替代传统的难降解化合物。但是,使用生物实验的方法去判断化合物是否可生物降解需要花费大量的时间。为了加速对化合物生物降解性的检测,使用数学模型来预测化合物的生物降解性可极大地缩短检测时间。目前,大部分使用传统机器学习和深度学习的化合物生物降解性研究中,都是将人工构建的分子指纹输入到模型中。然而,此类型的分子指纹的元素值稀疏,并且难以描述化合物分子的整体结构。考虑到化合物具有复杂的图结构属性,图神经网络能够有效建模该类型的数据,对预测任务有很大的帮助。因此,本研究利用图神经网络技术训练了一个预测化合物生物降解性的模型,实现了快速且精准地预测化合物的生物降解性,并且使用训练好的模型搭建了一个化合物生物降解性在线预测WEB平台,提供对化合物生物降解性的在线预测,具体内容如下:首先,为了适应图神经网络的输入,化合物的SMILE表达式被转成分子图形式,使用邻接矩阵来表示分子图的结构,并且使用多种原子属性来构建分子图的节点特征向量。然后,基于图神经网络的神经消息传递,设计了化合物生物降解性模型,主要由多个图神经网络层构成。每一层的神经消息传递都将捕获到化合物分子图的空间结构信息融入到节点特征中,且生成分子图的图表征。接着双向长短时间记忆网络利用所有图表征生成分子指纹,再通过输出层映射到化合物生物降解性的类别空间中,以此来判断化合物的生物降解性。最后,在公开的化合物训练数据集上,本研究使用5折交叉验证训练出了5个模型,并使用多种指标在公开的测试集和额外的验证集上计算出最优的模型。最优模型在测试数据集和外部验证数据集上的准确率分别为0.89和0.88,特异度分别为0.96和0.95,灵敏度分别为0.90和0.85,受试者操作曲线的面积分别为0.95和0.91。结果对比证明,该模型在这些指标上都优于文献已报导的模型。在已报导的关于预测化合物生物降解性文献中,大部分研究仅仅停留在检验模型的性能,并未将模型进行实际的应用。为加快对化合物生物降解性的研究,本研究设计了化合物生物降解性在线预测WEB平台。该平台前端部分提供研究人员三种化合物数据提交方式,后端部分部署了已经训练好的模型,接收化合物数据并将预测结果返回给研究人员。该平台为研究人员预测化合物的生物降解性提供了很多便利。