1. 药物分子性质预测建模工程导论

药物分子性质预测建模工程，是把化学结构信息转化为可计算特征，再用统计学习或机器学习模型预测分子在体内外关键性质的一类工程实践。它既不是单纯的化学信息学，也不是纯粹的算法调参，而是围绕“分子—特征—模型—决策”这条主线，把数据、算法与药物研发问题组织成可复现、可评估、可迭代的工程流程。本课程的目标，是让学习者能够独立完成从任务定义到模型交付的完整链路，并理解每一步为什么这样做、做到什么程度算合格。

课程定位：连接化学与算法的工程桥梁

在真实研发场景中，药物化学家关心的是“这个分子能不能成药”，而算法工程师关心的是“这个模型在测试集上表现如何”。两者之间的鸿沟，正是本课程要填补的部分。课程不假设学习者精通有机化学，也不要求先成为深度学习专家，而是强调三件事：第一，理解分子性质的物理化学含义与预测边界；第二，掌握从 SMILES 到特征矩阵的标准处理方式；第三，能够用合理的评估指标判断模型是否真正可用。课程定位可以概括为“面向药物研发任务的分子性质预测工程能力”，而非泛化的机器学习入门。

核心任务：四类典型预测目标

药物分子性质预测通常围绕四类目标展开，它们的数据形态、标签来源和评估方式差异明显，建模策略也不相同。

• 理化性质预测：如脂水分配系数 logP、溶解度 logS、拓扑极性表面积 TPSA、氢键供体/受体数。这类任务标签可由实验或成熟计算工具获得，数据量较大，适合作为建模流程的入门对象。
• ADMET 性质预测：吸收、分布、代谢、排泄与毒性，包括 Caco-2 渗透性、血浆蛋白结合率、CYP450 抑制、hERG 心脏毒性等。标签多来自体外实验，噪声较高，类别不平衡常见。
• 生物活性预测：针对特定靶点的 IC50、Ki、EC50 或活性分类。数据常来自 ChEMBL 等数据库，存在活性悬崖和测定条件差异。
• 成药性综合评估：如 QED 类药性评分、合成可及性 SAscore，属于多指标融合的派生目标。

这四类任务共享同一套工程骨架，但在特征选择、标签处理和评估重点上各有侧重。课程后续章节会逐一展开，本节先建立整体流程认知。

完整建模流程概览

一个可复现的分子性质预测项目，通常包含以下环节：任务定义与数据获取、数据清洗与标准化、分子表征与特征生成、数据集划分、模型选择与训练、超参数调优、模型评估与解释、部署与迭代。这些环节不是线性一次通过，而是循环往复：评估结果会反过来影响特征设计和数据清洗策略。

以“预测一组化合物的水溶解度 logS”为例，典型输入是 SMILES 字符串与对应的 logS 实验值。数据清洗阶段需要去除盐离子、标准化电荷、处理重复结构；特征生成阶段可选用 RDKit 计算 200 维描述符，或使用 Morgan 指纹生成 2048 位稀疏向量；数据集划分建议采用 Scaffold Split，即按 Murcko 骨架分组，避免同一骨架的分子同时出现在训练集和测试集造成乐观偏差。模型可先建立随机森林或梯度提升树基线，再尝试图神经网络。评估指标回归任务常用 RMSE、MAE 和 R²，分类任务常用 AUC-ROC、PR-AUC 和富集因子。若测试集 R² 低于 0.5，通常说明特征或数据划分存在问题，需要回到上游排查，而不是继续调参。

典型应用场景

分子性质预测在研发链条中的位置非常具体。在先导化合物优化阶段，化学家每天合成少量类似物，模型可用于快速排序，优先合成预测活性高且 hERG 风险低的分子。在虚拟筛选阶段，模型对上百万个可购买化合物打分，缩小实验验证范围。在ADMET 早期过滤阶段，模型帮助剔除溶解度极差或代谢不稳定的候选，降低后期失败率。在专利与竞争分析中，性质预测可用于评估化合物空间的新颖性与可专利性。这些场景的共同点是：模型不需要绝对精确，但必须稳定、可解释、能区分优劣。

工程视角下的关键判断

流程图中最容易被忽视的是“反馈迭代”这条虚线。实际项目中，模型评估结果不理想时，新手往往直接换更复杂的模型，而有经验的工程师会先检查三件事：数据划分是否泄漏、特征是否与标签存在伪相关、标签噪声是否过大。例如，若某批化合物的 logS 测定使用了不同缓冲体系，标签本身存在系统偏差，再强的模型也无法学到稳定规律。因此，数据质量审查应优先于模型复杂度提升。

另一个关键判断是评估指标的选择。回归任务中，RMSE 对大误差敏感，MAE 更稳健，R² 反映解释方差比例；分类任务中，若正样本极少，AUC-ROC 可能虚高，此时 PR-AUC 和富集因子更能反映实际筛选价值。课程后续会结合具体数据集演示这些指标的计算与解读。