2、批次质控基本概念：为什么需要批次质控？质控指标介绍
做高通量对接，说白了就是在流水线上批量跑打分。你一次提交几千、几万个分子，三天后拿到结果。但问题来了——你凭什么相信这批结果是可靠的？
我刚开始接触虚拟筛选时，觉得只要软件跑完、分数出来就完事了。直到有一次，我拿一批化合物去验证，实验数据跟对接分数几乎完全不对应。后来排查发现，那批对接中有一半的结构预处理时电荷分配错了，整个打分矩阵都废了。嗯，从那以后我再也不敢不做批次质控了。
为什么需要批次质控？
简单说，批次质控就是给对接结果上“保险”。它不是为了证明你的对接做得有多好，而是为了及早发现哪里出了问题。你想想看，一次高通量对接可能涉及几千个靶点-配体组合，任何一个环节出现微小偏差——比如配体文件格式不一致、受体口袋定义飘移、打分函数参数被意外覆盖——都会像蝴蝶效应一样，污染整批结果。
- 早期止损：在计算资源还没烧完之前发现问题，避免重跑整个批次。
- 结果可信：有了质控指标，你才能跟团队或客户说“这批数据的偏差在 5% 以内”。
- 横向可比：不同批次之间如果质控流程不同，后面的排序融合就是笑话。
- 审计追溯：我在项目里遇到过客户要求提供每个对接步骤的质控报告，没有的话直接扣分。
核心观点：批次质控不是可选项，而是高通量对接的基础设施。它把“黑箱运行”变成“可观测流程”。
质控指标介绍
质控指标分两大类：输入层指标（检查喂给对接工具的数据是否干净）和输出层指标（检查对接结果是否有统计学异常）。下面是我工作中常用的几个核心指标。
输入层指标
| 指标 | 检查内容 | 典型阈值 |
|---|---|---|
| 文件完整性 | 每个分子的 SDF/PDB 是否完整，原子数是否异常 | 缺失率 < 1% |
| 配体电荷分布 | 总电荷是否在合理范围（常用 -4 ~ +4） | 异常分子占比 < 0.5% |
| 受体结构质量 | 主链缺失率、反式肽键数量 | 缺失率 < 5% |
| 体系 pH/质子化状态一致 | 所有配体的质子化状态是否按统一规则生成 | 不一致配体数 = 0 |
我的习惯：在启动对接前，先跑一个“快速扫描脚本”，检查所有输入文件的头 10 行。如果文件头部信息有问题，大概率后续全是坑。我曾经因为这个操作，从 8000 个分子里提前筛掉了 200 个格式错误的文件。
输出层指标
| 指标 | 检查内容 | 典型阈值 |
|---|---|---|
| 打分分布检查 | 对接得分的直方图是否近似正态？是否存在离群值？ | 峰位漂移 < 1个评分单位 |
| 排名稳定性 | 相同分子重复对接后，排名变化是否在合理范围内 | Spearman ρ > 0.9 |
| 脂溶性偏差 | 对接分数是否与 LogP 过度相关（暗示打分函数被脂溶性项主导） | R² < 0.3 |
| 对接成功率 | 对接完返回有效构象的分子比例 | > 90% |
这里我想多说一句打分分布检查。很多人只看平均分，觉得只要平均分还行就算过了。其实不然。我见过一批结果平均分 -8.5，看起来不错，但画出来后发现分布是双峰的——一半分子打分 -10 左右，另一半 -7 左右。后来一查，是受体在批次中间被重新处理了一次，口袋坐标变了。所以，分布形状比均值敏感得多。
质控流程框架
下面这张图帮你快速理解整个批次质控的“骨架”。每个箭头代表一个检查点，检查不过就红灯报警。
避坑指南：我曾经遇到过输入质控通过了，但输出质控检查时发现对接成功率只有 70%。后来排查发现，是因为部分配体存在金属离子配位，打分函数直接崩溃了。所以输入质控和输出质控缺一不可，别以为过了第一关后面就没事了。
质控指标的实际应用
说了这么多，我们来看看在命令行里怎么快速检查这些指标。下面是两个我常用的脚本片段，分别检查输入文件完整性和输出打分分布。
1. 输入完整性检查（Python）
import glob
from rdkit import Chem
sdf_files = glob.glob("ligands/*.sdf")
bad = 0
for f in sdf_files:
mol = Chem.SDMolSupplier(f)
if mol is None:
bad += 1
print(f"Failed: {f}")
print(f"Bad files: {bad}/{len(sdf_files)}")
2. 输出打分分布概览（shell + awk）
# 假设对接结果文件每行格式: 配体名 分数
awk '{print $2}' docking_results.txt \
| sort -n \
| awk 'BEGIN{min=1e9; max=-1e9; sum=0; n=0}
{if($1max) max=$1; sum+=$1; n++}
END{printf "Min: %.2f Max: %.2f Avg: %.2f N: %d\n", min, max, sum/n, n}'
小贴士：一旦发现打分分布有明显偏斜（比如所有分数集中在 -6 到 -5），先检查受体准备阶段的格点文件是不是只覆盖了口袋的一部分。这事我在项目里遇到过两次，都是因为格点盒子设太小导致的。
好了，以上就是批次质控的“为什么”和“看什么”。说白了，质控就是给你的对接结果加一套“体检套餐”，从血常规到 CT 扫描都得来一遍。这套体系搭好了，后面几十个批次就能跑得又稳又放心。