1. QSAR 概述：定义、历史、应用领域
说到 QSAR，很多人第一反应是「一堆复杂的公式和分子结构」。其实没那么玄乎。
QSAR 的全称是 Quantitative Structure-Activity Relationship，中文叫定量构效关系。说白了，就是研究分子的结构和它的活性之间，到底有没有一个可以量化的数学关系。
我刚开始接触这个领域时，总觉得这东西离实际应用挺远的。直到有一次，我帮一个药物化学团队优化先导化合物——他们手里有 200 多个类似物，测完了活性，但不知道下一步改哪里。我们建了个 QSAR 模型，预测出几个关键结构位点，结果下一轮合成的化合物活性直接提升了 10 倍。嗯，从那以后，我对 QSAR 的态度完全变了。
1.1 QSAR 的核心定义
QSAR 要解决的根本问题是：给定一组分子结构，能不能预测它们的某种生物活性或性质？
它需要三个要素：
- 分子结构描述符——把分子变成数字。比如分子量、LogP、氢键供体/受体个数、拓扑指数等。
- 活性数据——你需要知道这些分子到底有多「活」。可以是 IC50、Ki、MIC 值，也可以是毒性数据。
- 数学关联模型——把结构数字和活性数据之间的规律找出来。线性回归、偏最小二乘、随机森林、神经网络……都行。
简单说，QSAR = 分子结构 → 数字 → 模型 → 预测。
一个经典例子：
假设你有 50 个化合物的 LogP 值和它们的生物活性。你可以试着拟合一条直线：
Activity = a × LogP + b
如果这条直线拟合得好，你就有了一个最简单的 QSAR 模型。新化合物测个 LogP，就能估算出它的活性。
你会问：就这么简单？
当然没那么简单。真实情况里，活性往往不是单一因素决定的。你需要考虑疏水性、电性、立体效应、甚至柔性。不过底层逻辑没变——找到结构信息和活性之间的规律。
1.2 QSAR 的发展历程
聊聊历史。我觉得了解一段技术的来龙去脉，能帮你避免一些弯路。
| 年代 | 关键人物 / 事件 | 贡献 |
|---|---|---|
| 1960s | Hansch & Fujita | 提出 Hansch 方程，把疏水性参数 π 和电性参数 σ 引入模型 |
| 1970s | Free-Wilson 方法 | 基于分子子结构贡献的线性模型 |
| 1980s | CoMFA | 引入三维描述符，QSAR 进入 3D 时代 |
| 2000s | 机器学习爆发 | SVM、随机森林、神经网络开始替代传统线性回归 |
| 2010s至今 | 深度学习 + QSAR | 图神经网络、分子指纹自动学习，模型越来越强 |
我个人印象最深的是刚入行时，还在用 SPSS 做多元线性回归。那时候训练集 50 个化合物就算很大了。现在动不动就上千上万。工具变了，但思考方式没变。
一个小建议：
不要一上来就上深度学习。我见过不少人拿 200 个数据点硬套 GNN，结果过拟合到姥姥家。先跑一遍线性模型，你反而能更快理解数据里到底有什么规律。
1.3 我曾踩过的坑：历史复现中的教训
我曾经在复现一篇经典 QSAR 论文时翻过车。那篇论文用 Hansch 方程拟合了一组苯甲酸衍生物的抗菌活性。我当时想当然地拿标准 LogP 和 σ 参数直接重建模型，结果 R² 只有 0.35，完全对不上。
后来发现:论文里用的不是实验 LogP，而是他们自己算的 CLOGP 版本。另外，活性数据是在 pH 6.5 下测的，而默认参数对应的是生理 pH。差一点，整个模型就崩了。
这个教训告诉我：QSAR 模型里，描述符的选择和数据的来源，比模型算法本身更关键。一份脏数据，配上再好看的神经网络，预测结果也是垃圾。
1.4 应用领域：QSAR 在干什么
QSAR 不是实验室里的摆设。它在好几个方向都有实打实的价值。
-
药物研发：
先导化合物优化。你合成 100 个分子费时费力，QSAR 可以帮你从中挑出最有希望的 10 个。我参与过一个激酶抑制剂项目，靠 QSAR 把候选化合物数量从 300 个缩减到 25 个，直接节省了半年合成时间。 -
毒性预测：
REACH 法规、EPA 的 TSCA 都接受 QSAR 模型作为动物实验的替代方案。比如预测 Ames 致突变性、皮肤致敏性。你想想看，每年省下来的实验动物数量非常可观。 -
环境化学：
预测有机物在土壤中的迁移系数、生物降解半衰期、鱼体富集因子。我帮一家环保公司做过 PCB 类化合物的毒性筛选模型，用 4 个描述符就得了 R²=0.82。 -
材料科学：
预测聚合物玻璃化转变温度、导电性、折射率。QSAR 在这里叫 QSPR（定量结构-性质关系）。本质一样，换个名字而已。 -
食品安全：
食品添加剂、包装迁移物的潜在风险评估。FDA 也认可部分 QSAR 结论作为决策参考。
以下是一个简化的应用对比表：
| 领域 | 目标性质 | 常用描述符 |
|---|---|---|
| 药物研发 | IC50、Ki、选择性、ADMET | LogP、HBA/HBD、PSA、电荷分布 |
| 毒理学 | Ames、LD50、皮肤致敏 | 拓扑指数、反应性描述符、Fukui 指数 |
| 环境化学 | logKow、BCF、DT50 | 分子量、醚键数、环系特征 |
| 材料科学 | Tg、折射率、带隙 | 极化率、摩尔折射度、拓扑距离 |
注意：
跨领域迁移描述符时千万小心。拿材料科学的描述符直接去预测毒理学性质，很可能出现物理意义不匹配。我见过有人用玻璃化温度描述符去预测鱼类毒性，结果相关性全是噪声。模型拟合得再好也不行——你要解释它的物理意义。
1.5 QSAR 的工作流程总览
这里用一张 SVG 图把 QSAR 建模的核心流程串起来。你以后每做一个项目，都可以拿这个框架对照一下。
关于这张图的用法：
你可以把它当成一个检查清单。每次建模，都过一遍这 6 步。我自己的习惯是：先画出数据收集和描述符计算这一步的草图，再决定用什么模型。流程越清晰，后期调优越省力。
好了，第一章就到这里。我们把这节内容消化掉，后面才能顺利进入参数调优和验证的实战环节。