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。

面向“双碳”目标下能源开发与碳减排的协同需求，针对物理化学课程传统相图知识教学“重理论、轻应用”的问题，本文基于“可燃冰开采与CO₂封存”这一国家重大战略课题，构建“理论知识-技术应用-课程思政”三位一体教学框架：通过解析CO₂和CH₄水合物相平衡曲线与CO₂气液相平衡曲线，阐明CO₂置换法开采可燃冰及CO₂封存技术的热力学、动力学机制，横向对比可燃冰开采与应用技术现状，紧跟科学研究发展前沿，引导学生挖掘“碳封存技术的地缘政治意义”等思政议题。通过对接相图理论与国家战略需求，探索物理化学理论教学与课程思政深度融合的教学实践创新，强化学生对多相平衡原理的工程应用认知，培养学生在能源绿色转型中的创新思维与责任担当，为“新工科”背景下化工专业课程改革提供参考路径。