1. 药物靶点多模态预测工程导论
药物靶点预测要回答的核心问题是：给定一个化合物（小分子、多肽或抗体），它是否会在人体内与某个蛋白、核酸或通路发生具有生物学意义、且可能带来疗效或毒性的相互作用。传统实验筛选（如生化酶活、细胞表型、亲和质谱）通量有限、成本高，而计算预测的价值在于把海量候选空间先压缩到可实验验证的规模。但单一数据源往往只能看到问题的一个侧面：序列模型知道蛋白长什么样，却不知道它在什么组织表达；结构模型知道口袋几何，却不知道配体的成药性质；知识图谱知道文献里报道过什么关系，却对全新骨架无能为力。多模态预测工程，就是把这些互补证据组织成一条可复现、可评估、可迭代的工程链路。
课程定位：从“会跑模型”到“会做系统”
本课程不是单纯的深度学习教程，也不是单纯的生物信息学导论，而是面向“靶点预测系统”的工程化课程。它假设你已经具备基础的 Python 编程、机器学习概念和分子/蛋白基本常识，重点解决三类问题：第一，如何把异构数据（序列、结构、表达谱、化合物指纹、文献关系）对齐到同一预测任务上；第二，如何设计可解释、可诊断的模型与评估流程，而不是只盯着一个 AUC 数字；第三，如何把模型封装成能持续接收新数据、能回归测试、能交付给下游实验团队的工程组件。学完本课程，你应当能够独立搭建一条从数据接入到预测输出的最小可用流水线，并能说清每个环节的假设、风险与验证方式。
核心任务拆解
靶点预测任务可以按输出形式分为几类，工程处理方式差异很大：
- 二分类相互作用预测：输入（化合物，蛋白）对，输出是否结合。典型数据如 BindingDB、Davis 激酶谱，正负样本比例常达 1:50 以上，需要处理类别不平衡与“诱饵”选择偏差。
- 亲和力回归：输出 Kd、Ki、IC50 等连续值，通常取 pIC50 = -log10(IC50[M]) 作为标签，量纲统一后才可跨数据集比较。
- 靶点排序/富集：给定一个化合物，对候选靶点集合打分排序，评估指标用 Top-K 召回、 enrichment factor，更贴近实际筛选场景。
- 新靶点发现：预测化合物与未见过的蛋白家族的作用，属于零样本/少样本问题，必须依赖结构或文本等可迁移模态。
这些任务共享同一套底层对象：化合物表示、蛋白表示、相互作用标签、划分策略。工程上要做的，是把它们抽象成统一的数据接口，让不同模态可以插拔替换。
多模态数据在靶点预测中的价值
为什么必须多模态？因为每种模态提供的是不同“视角”的证据，且各自有明确的失效边界。下表给出常见模态及其工程角色：
| 模态 | 典型数据 | 提供的信息 | 主要局限 |
|---|---|---|---|
| 化合物序列/指纹 | SMILES、Morgan 指纹、分子图 | 化学结构与子结构模式 | 无法直接表达三维构象与靶点环境 |
| 蛋白序列 | FASTA、UniProt | 家族、保守基序、进化信息 | 缺少结合口袋几何与翻译后修饰 |
| 蛋白结构 | PDB、AlphaFold 预测结构 | 口袋形状、残基接触、可成药性 | 预测结构置信度不均，动态构象缺失 |
| 表达/组学 | GTEx、TCGA、单细胞 | 组织特异性、疾病相关性 | 与结合事件非直接因果，噪声大 |
| 知识图谱/文本 | PubMed、DrugBank、STRING | 已知关系、通路上下文 | 覆盖偏差，新分子冷启动差 |
多模态融合的收益不是简单叠加，而是互补纠错：当序列模型对某个新骨架给出高分但结构模型发现口袋不匹配时，融合层应当能降低置信度；当结构缺失时，表达谱和通路关系可以提供先验。工程上要明确每个模态的缺失率与置信度，并让融合策略对缺失鲁棒，而不是假设所有样本都齐全。
工程化流程概览
把上面的链路落到可执行层面，一条最小流水线通常包含五个阶段。第一阶段是数据接入与统一标识：化合物用标准化 InChIKey 或 canonical SMILES 去重，蛋白用 UniProt AC 对齐，结构用 PDB 链 ID 映射；这一步必须记录来源、版本和许可，否则后续无法复现。第二阶段是单模态基线：先分别训练分子图模型和序列模型，得到各自的 AUPRC，作为融合的下界参照。第三阶段是融合：常见做法是分别得到化合物向量和蛋白向量后拼接，再经 MLP 输出；更稳的做法是加入门控或注意力，让模型在某个模态缺失时自动降权。第四阶段是评估：不能只用随机划分，必须做骨架划分（scaffold split）和时间划分（time split），否则同一化学系列的泄漏会让指标虚高。第五阶段是反馈：把湿实验得到的阴/阳性结果回流成新标签，触发再训练。
一个具体的教学示例：假设我们要预测某激酶家族化合物对 20 个靶点的抑制概率。输入化合物用 2048 位 Morgan 指纹（半径 2），蛋白用 ESM-2 的 640 维平均池化向量，融合层为两层 MLP（隐藏层 512、256，ReLU，dropout 0.3），输出 sigmoid 概率，损失用带类别权重的 BCE。训练集来自 ChEMBL，按骨架划分，正负比约 1:20。评估时除 AUPRC 外，还计算 Top-10 富集因子。若融合模型 AUPRC 为 0.62，而单模态分别为 0.51 和 0.48，说明模态互补有效；若融合后反而下降，应检查特征尺度是否归一化、缺失样本是否被错误填充。这些数值属于教学假设，实际项目需以真实运行结果为准。