随着近年来人工智能技术的飞速发展,利用计算机技术对化合物的生物活性、理化性质和ADMET性质（吸收、分布、代谢、排泄、毒性）进行高效预测成为新药研发的热点。目前,计算机辅助分子性质预测的研究仍存在着几个问题,包括（1）基于分子图和基于分子指纹的预测算法孰优孰劣,存在争议。研究表明,分子指纹和分子图之间可能存在互补性;（2）生物相关数据集数量少、质量不佳,数据集内噪声干扰模型在现实场景中的发挥;（3）深度学习算法存在固有的黑箱问题,导致模型无法解释结果产生的过程;（4）生物相关数据集的子任务之间往往存在相关性,开发多任务深度学习模型,可以学习相关数据集中彼此依赖的更多信息,可能有助于提升模型预测性能。基于上述问题,本研究开发了一种耦合分子图和分子指纹的深度学习模型,即FPGNN,用于分子的性质预测。我们在三类经典数据集上评估FP-GNN模型的预测性能。首先,在13个公共基准数据集的总共16项任务上,与四种基于分子图的深度学习模型和基于分子指纹的XGBoost模型相比,FP-GNN在7项任务上预测性能最优,4项任务上预测性能次优。其次,在真实无偏的LIT-PCBA数据集上,与两种基于分子图的模型和五种基于分子指纹的模型相比,FP-GNN的平均预测性能最优（AUC=0.739）。最后,在14个乳腺癌细胞表型筛选数据集上,与三种基于分子图的模型和基于分子指纹的XGBoost模型相比,FP-GNN在8个细胞系上预测效果最好,在3个细胞系上预测效果次优,并取得了最佳的平均预测性能（AUC=0.849）。因此,与当前先进的基于分子图或基于分子指纹的模型相比,耦合分子图和分子指纹的FP-GNN模型具有可比较甚至更优秀的预测性能。我们在LIT-PCBA数据集上对FP-GNN模型做了消融性实验,结果显示,在15个任务中,FP-GNN的融合模型在10个任务上优于单特征模型,说明了分子图和分子指纹之间存在着信息互补,即融合分子图和分子指纹可以提升模型的预测性能。此外,在HIV数据集上测试模型的抗干扰能力,与当前先进的基于分子图的模型（Attentive FP、HRGCN+）和基于分子指纹的XGBoost模型相比,FP-GNN模型在不同的噪声比例上均表现出最优秀的抗干扰能力,说明模型能够适用于真实场景。最后,为FP-GNN模型设计了双重的可解释功能,在分子图模块采用隐层分析,在BBBP数据集上做了解释性案例说明;在分子指纹模块采用敏感性分析,在Free Solv数据集上做了解释性案例说明。结果表明,FP-GNN模型具有可解释性,部分解决了模型的黑箱问题,并为使用者提供了分子中具有重要价值的片段信息。基于单任务的FP-GNN模型,本文还设计了多任务的FP-GNN模型。在Tox21数据集的实验证明,与单任务FP-GNN模型相比,多任务FP-GNN模型在绝大多数（83.3%）任务上表现更优且平均预测性能（AUC=0.846）更优秀。与当前先进的多任务模型Smi2vec-Bi GRU相比,多任务FP-GNN模型在Tox21数据集的所有任务上都有着更优秀的预测效果;在SIDER数据集的绝大多数（88.9%）任务上预测性能更优,且平均预测效果（AUC=0.662）远超Smi2vec-Bi GRU（AUC=0.606）。这说明了多任务设计能够提高FP-GNN模型在相关性强的多任务数据集上的预测性能。最后,本文在CYP数据集上做了多任务FP-GNN模型的应用。评估结果显示,在CYP数据集的5个亚型上,与九种基于分子指纹的模型和两种基于分子图的模型相比,多任务FP-GNN在4个亚型上具有最优的预测性能,且平均性能最优秀（AUC=0.905）。多任务FP-GNN在CYP酶系数据集上有着优秀的性能,非常适合用于筛选CYP抑制剂。综上所述,相比当前优秀的机器学习和深度学习算法,FP-GNN算法具有相当甚至更优秀的预测性能,有着强大的实用价值。本文已将FP-GNN模型的代码和使用说明上传至开源网站,供研究者下载使用:https://github.com/idrug Lab/FP-GNN。