2. 多模态药物研发数据模态与任务映射

在药物研发的多模态模型评估中，第一件必须厘清的事不是“模型用了什么架构”，而是“每种模态的数据究竟长什么样、能回答什么问题、评估时该盯住哪些指标”。模态决定了输入张量的形状、噪声结构、缺失模式与可解释性边界；任务决定了评估指标的选择、划分策略与置信度要求。把模态与任务正确映射，是后续所有评估设计的地基。

五类模态的数据特点

化学结构通常以SMILES字符串、分子图（原子为节点、键为边）或3D构象表示。它的关键特点是：离散符号序列与图结构并存，同一分子可有多种等价SMILES写法，因此评估时必须做规范化（如RDKit的canonical SMILES）以避免“同一分子被当成两个样本”造成数据泄漏。分子图还带有节点特征（元素、电荷、杂化态）与边特征（键级、立体化学），这些是活性与毒性预测的核心信号。

蛋白质序列是长度可变的一维字符序列（20种氨基酸加特殊符号），长度从几十到数千残基不等。其特点是长程依赖强、进化信息丰富，且同一蛋白存在多isoform与突变体。评估时要特别注意序列相似性划分：若随机划分训练/测试集，高度同源的蛋白会同时出现在两侧，导致指标虚高。常用做法是按序列相似度聚类后划分（如MMseqs2聚类，30%一致性阈值）。

文本专利是长文档、非结构化、含大量专业术语与法律措辞的数据。其特点是信息密度不均、关键信息（化合物、靶点、适应症、权利要求范围）分散在段落与表格中，且存在大量同义表达。评估文本模态时，不能只看BLEU或ROUGE这类表面指标，更要看实体抽取的精确率/召回率，以及“是否把专利中的Markush结构误读为具体化合物”这类领域错误。

细胞图像是高维像素阵列，通常来自高内涵筛选（HCS），包含多通道（如DAPI核染色、pH3、细胞质染料）、多视野、多孔板。其特点是批次效应显著、光照与聚焦差异大、单细胞与群体表型并存。评估时需区分“图像级分类”与“单细胞级分割/分类”，并检查模型是否对批次、孔板位置等无关变量过拟合。

组学数据（转录组、蛋白组、代谢组）是宽而稀疏的矩阵，样本数常远小于特征数（p≫n），且存在批次效应、缺失值、不同归一化方式。其特点是噪声大、可重复性受实验批次影响强。评估时必须固定预处理管线（归一化、批次校正、特征选择），否则同一模型在不同预处理下指标差异可能超过模型本身差异。

模态到任务的映射逻辑

映射不是“一种模态只对应一个任务”，而是“每种模态对某类任务提供主要证据，同时可能作为辅助模态”。化学结构是活性、毒性、靶点预测的主模态；蛋白质序列是靶点预测与结合亲和力预测的主模态；文本专利主要支撑靶点发现、适应症匹配与化合物-靶点关系抽取；细胞图像直接对应表型预测（如细胞毒性形态变化、有丝分裂异常）；组学数据则常用于表型预测中的机制解释与生物标志物发现，也可作为毒性预测的辅助证据。

实际评估中，多模态模型常把上述模态两两或三三组合。例如“化学结构+蛋白质序列”用于靶点结合预测，“化学结构+细胞图像”用于表型活性预测，“文本专利+组学”用于靶点假设生成。此时评估的关键不再是单模态指标，而是模态贡献度：去掉某一模态后指标下降多少？某一模态是否只是重复了另一模态的信息？这需要做消融实验并报告模态间的互补性。

评估需求的具体差异

活性预测通常是回归任务，评估指标以RMSE、MAE、R²、Spearman秩相关为主。但药物研发中更关心“排序是否正确”——因为项目决策往往是“选前10个化合物做实验”，所以Top-k富集因子（EF@k）比全局RMSE更有决策价值。同时必须报告适用域：模型对训练集化学空间之外的分子预测是否可信。

毒性预测多为分类任务，且正负样本极度不平衡（如hERG阳性率可能只有5%～15%）。此时准确率会被多数类主导，必须看AUPRC、召回率与F1。在药物安全评估中，假阴性（把有毒预测为无毒）代价远高于假阳性，因此阈值选择应偏向高召回，并报告在固定召回率下的精确率。

靶点预测常被建模为排序或链接预测问题。评估时负样本的构造方式（随机负样本 vs 难负样本）会极大影响指标。若随机负样本，模型可能只学到“化合物是否像药物”而非“是否结合该靶点”。因此应报告多种负样本策略下的MRR、Hit@k，并按靶点家族分层报告。

表型预测涵盖图像与组学，评估需同时关注预测性能与批次稳健性。一个在随机划分下mAP很高的模型，若在跨批次测试中大幅下降，则不具备实际筛选价值。建议报告“同批次划分”与“留一批次划分”两组指标，并计算批次间性能方差。

一个可复用的映射检查表

在实际项目中，可以用下面这张检查表快速核对“模态—任务—评估”是否对齐。它不替代具体实验，但能避免最常见的评估错配。

最后需要强调：模态与任务的映射不是静态的。随着项目阶段推进，同一模态可能从“主证据”变为“辅助证据”。例如早期靶点发现阶段，文本专利与组学是主模态；进入先导化合物优化阶段，化学结构与活性数据成为主模态，细胞图像用于表型安全性评估。评估方案应随阶段调整，而不是一套指标用到底。