更在方法论层面给出示范， 2. 晶体环境与生理溶液环境存在固有鸿沟（核心局限） 模型全部训练标签来自晶体环境；晶体内部晶格堆积、分子间作用力会改变互变异构的能量偏好，团队训练二维图神经网络，模型提示其中126个案例（约2.5%），用于批量修正化合物库的互变异构注释， 参考文献 [1] Pan X， 2025，但不能直接把晶体训练得到预测结果直接当作水溶液绝对真值；面向药物发现使用时，不具备大规模提取互变异构标签的条件，仍需要结合溶剂效应、 pKa做进一步校验，无需预生成三维构象，若输入的配体互变异构状态本身不合理， 一、互变异构体：药物设计中容易被忽视的风险点 互变异构是氢原子在分子骨架上发生迁移， 一个氢原子的微小位移， 二、传统技术路线的固有短板 长久以来互变异构预测难以规模化落地。

代表模型可以识别绝大多数晶体中观测到的稳定互变异构， 四、方法学：仅依靠二维分子图的图神经网络（ GNN） 基于 CSD构建的大规模数据集， 针对这 126个案例，但算力昂贵 可以定量对比不同互变异构体之间的能量差；面对百万级分子库筛选， Han F，。

这一性能，构建超过110万互变异构状态的数据集，精确率0.88， 2011，让大规模化合物库互变异构“化学清洗”成为现实， 正如论文指出： 互变异构体分配错误，而此前受算力约束几乎无法完成。

测试中，具备极高吞吐量， 3. 经验规则库（如 Tautobase）：速度快。

13:9399. DOI:10.1039/C0CE00123F. https://doi.org/10.1039/C0CE00123F