分子表示学习是人工智能驱动药物研发中的关键任务。尽管图神经网络(GNN)在该领域已表现出优异性能并被广泛应用，但高效提取并显式解析官能团仍是一项挑战。为此，我们提出了MolUNet++模型，该模型通过分子边收缩池化(Molecular Edge Shrinkage Pooling，MESPool)实现分层子结构提取，利用嵌套式UNet框架进行多粒度特征融合，并结合子结构掩蔽解释器实现分子片段的定量分析。我们在分子性质预测、药物-药物相互作用(Drug-Drug Interaction，DDI)预测及药物-靶标相互作用(Drug-Target Interaction，DTI)预测等任务上对MolUNet++进行了评估。实验结果表明，MolUNet++不仅在预测性能上优于传统GNN模型，同时展现出显式、直观且符合化学逻辑的可解释性，为药物设计与优化领域的研究者提供了有价值的启示与工具。

针对分析化学理论与实验教学模式改革，运用CiteSpace 6.3 R1文献计量工具对我国分析化学教学模式改革领域文献进行了深入分析。通过可视化分析识别出翻转课堂、教学改革、新工科等分析化学教学模式改革的热点，同时探讨了思政课程、新工科、科教融合和线上线下混合式教学的前沿教学模式，旨在为分析化学的教学模式改革提供理论依据。