课程导论：GNN 在药物发现中的角色、QSAR 概述、靶点筛选的现实意义
各位好，我是这门课的主讲。在药物发现领域摸爬滚打这些年，我越来越觉得，光靠传统方法做靶点筛选，就像在黑暗里找钥匙。为什么这么说？你想想看，一个化合物库动辄上百万分子，每个分子又有成百上千个描述符。传统 QSAR 模型处理起来，累得够呛，还经常过拟合。直到我把图神经网络（GNN）引入到这个流程里，事情才真正有了转机。
为什么图神经网络适合药物发现？
分子本身就是一张图。原子是节点，化学键是边。这个结构太自然了，不是吗？传统方法得先把分子“压平”成指纹向量，丢掉了空间信息和拓扑结构。GNN 直接在图结构上做消息传递，每个原子能“看到”它的邻居，几轮消息传递后，整个分子的全局信息就聚合出来了。
举个例子。我参与过一个靶点项目，目标蛋白是激酶。手头有几万个已知活性的分子，但活性分布严重不平衡——大部分是阴性，极少阳性。用随机森林做 QSAR，阳性样本一直预测不准。后来换成 GNN，节点特征用了原子类型、杂化状态、电荷，边特征用了键型和环信息。模型收敛后，阳性预测的 AUC 直接提升了 0.13。
QSAR 的基本逻辑与痛点
QSAR 全称是定量构效关系。说白了，就是找出一组分子结构特征与生物活性之间的数学关系。传统 QSAR 流程大致是这样的：
- 收集一批化合物及其活性数据（IC50, Ki 等）
- 计算分子描述符（如 2D 指纹、物理化学参数）
- 用线性或非线性模型（如 PLS、SVM、随机森林）拟合关系
- 用验证集评估预测能力
但是，这里面有个大坑。我在早期项目里试过 ECFP4 指纹做描述符，模型在训练集上 R² 做到 0.95，一上外部测试集直接掉到 0.4。为什么？指纹是离散位串，丢失了分子的三维构象信息。而且指纹长度固定，分子大了会碰撞。说白了，传统描述符的“表达能力”不够，尤其对复杂靶点（比如 GPCR、离子通道），经常失效。
靶点筛选的现实意义
一个新药从靶点发现到上市，平均需要 10 年，花费超过 10 亿美元。其中早期靶点筛选阶段，要判断哪个靶点最可能成药。传统方式靠文献调研 + 体外实验，通量很低。一个团队一年能筛 2~3 个靶点已经算快了。
图神经网络 QSAR 能干什么？它能快速构建“化合物 – 靶点”的活性预测模型。你提供候选靶点的序列或结构信息，模型就能从海量化合物库中预测哪些分子可能会结合。这大大缩短了筛选周期。
我见过一个例子，某团队用 GNN 模型筛选了 50 万个化合物对 5 个潜在靶点的活性，两周内给出了每个靶点的 top 100 候选分子。后续实验验证，前 20 个分子中，有 14 个确实有微摩尔级活性。这个命中率，传统方法做不到。
课程知识体系总览
下面这张图，是我梳理的整门课的核心逻辑。你可以把它当作地图，随时回来参考。
课程结构一览
我们这门课一共 30 章，分 5 个模块。我把模块和对应章节大致列了个表，方便你规划学习节奏。
| 模块 | 涵盖章节 | 核心内容 |
|---|---|---|
| 基础理论 | 1–6 | GNN 基础、分子图构建、QSAR 原理 |
| 特征工程 | 7–12 | 原子/键特征设计、3D 构象特征、增强策略 |
| 模型架构 | 13–19 | GCN、GAT、GIN、结合注意力机制、多任务学习 |
| 训练与评估 | 20–25 | 损失函数选择、数据划分、指标（AUC, RMSE, Enrichment Factor） |
| 落地实战 | 26–30 | 靶点筛选案例、模型可解释性、部署到云平台 |
本章小结
回到开头的问题：为什么 GNN 在 QSAR 靶点筛选中能打？因为分子是图，靶点也是图（蛋白结构图），图神经网络恰好能同时处理这两种图以及它们之间的交互。传统方法要么丢掉结构，要么丢掉上下文，GNN 全保留。
你想想看，如果一个模型能直接从分子图和靶点信息中学习活性模式，那它一定比只靠人工特征的要聪明得多。接下来的章节，我会带你一步步把这条路走通。
对了，如果你在用某些公共数据集（比如 PubChem BioAssay、ChEMBL），刚开始可能会被数据噪声搞得头疼。别急，我在第 4 章专门讲了数据清洗的方法，那是经过十几轮项目打磨出来的。