一、QSAR建模与批次质控概述
1.1 什么叫QSAR？说白了就是找规律
QSAR，全称是定量结构-活性关系（Quantitative Structure-Activity Relationship）。名字听着唬人，但核心思想很简单：用分子的结构特征，去预测它的生物活性或理化性质。你想想看，一个新化合物合成出来，要测它的毒性、药效，费时费力又花钱。如果我们能从已知的化合物数据里，找到结构和活性之间的数学关系，那新化合物一画出来，就能快速估算它的性质——这就是QSAR的价值。
我刚开始接触这行的时候，也觉得QSAR像个黑盒子。后来做多了才明白，它本质上是一个监督学习问题：
- 输入（X）：分子描述符，比如分子量、LogP、拓扑指数、指纹等
- 输出（Y）：目标属性，比如IC50值、毒性等级、溶解度等
- 模型：一个数学函数 f(X) → Y
举个例子，很多药物研发团队会建一个简单的线性回归模型：
pIC50 = 0.32 × LogP - 0.15 × (MW/100) + 4.57这个模型告诉我们：脂溶性LogP每增加1个单位，活性大概提升0.32个log单位。分子量每增加100道尔顿，活性下降0.15个log单位。简单直观，对吧？
1.2 建模流程：不是一锤子买卖
很多人以为QSAR建模就是：拿数据 → 跑模型 → 出结果。嗯，太天真了。完整的流程其实涵盖了数据准备 → 描述符计算 → 模型训练 → 验证 → 质控 → 部署 → 迭代。我总结了一个标准流程表：
| 步骤 | 关键操作 | 常见坑 |
|---|---|---|
| 1. 数据收集 | 从公共库/实验室获取化合物-活性数据 | 数据不一致，重复条目，结构错误 |
| 2. 数据清洗 | 去重、标准化、处理缺失值、离群点剔除 | 清洗过度导致样本量不足 |
| 3. 描述符计算 | 使用RDKit、PaDEL等工具计算分子特征 | 描述符冗余、共线性严重 |
| 4. 数据集划分 | 分层抽样将数据分为训练集/验证集/测试集 | 时间分裂被忽视，导致数据泄露 |
| 5. 模型训练 | 选择算法（RF、SVR、GNN等）并调参 | 过拟合，泛化能力差 |
| 6. 模型验证 | 交叉验证、外部验证、Y-scrambling | 验证集与训练集分布差异大 |
| 7. 批次质控 | 检查模型在不同批次数据上的稳定性 | 批次效应未被发现，模型上线即失效 |
| 8. 部署与监控 | 上线后持续监控预测性能 | 数据漂移未被跟踪 |
这里面，第七步“批次质控”是最容易被忽视的环节。我看过太多团队，模型在实验室内测的时候拟合度R²能到0.9，一换新批次数据直接崩到0.3。为什么？
因为实验条件变了。今天测的这批化合物和三个月前测的那批，温度、湿度、仪器校准、操作员手法可能都不一样。这些差异会引入批次效应（Batch Effect）。
1.3 质控为什么重要？血泪教训
我记得有一次，一个制药客户拿他们过往3年的QSAR模型来找我。那个模型是外包团队做的，报告上R²=0.88，Q²=0.82，看起来不错。但实际用的时候，新化合物的预测值老是与实测值差几个数量级。
我排查了一周，发现问题出在批次标签上。原来建模的时候，外包团队把所有数据混在一起做随机划分，导致训练集和测试集里包含了来自同一批次的数据。模型实际上记忆了“哪个批次的数据偏大”这个噪声，而不是真正的结构-活性关系。
这种问题，靠常规的交叉验证根本发现不了。只有引入批次维度上的质控策略，才能揪出来。这也是我设计这门课的初衷——把实战中踩过的坑，系统地讲给你听，让你少走弯路。
1.4 质控策略的核心框架
这门课程会围绕一个三层递进的质控框架展开：
- 第一层：数据级的批次质控 – 识别和消除实验条件带来的系统偏差，包括批次标签管理、批次效应检测、数据校正等
- 第二层：模型级的批次质控 – 评估模型在不同批次上的稳定性和泛化能力，引入批次感知建模、域适应等技术
- 第三层：部署级的批次质控 – 建立持续监控机制，当新批次数据分布发生漂移时，及时告警并触发模型重训练
下面是这个框架的结构图，你先有个整体印象：
1.5 你需要哪些基础？
这门课面向有一定基础的同行。所以我想提前说清楚你需要具备的：
- Python基础：会pandas和numpy操作，能读懂scikit-learn代码
- 机器学习常识：了解回归、分类、过拟合、交叉验证等基本概念
- 化学信息学入门：知道分子描述符、SMILES字符串是什么意思
如果你现在觉得某个部分还不熟，也别慌。我每个章节都会把关键代码和逻辑拆开讲，配合实际案例，你跟着跑一遍就能上手。如果说有什么是我特别想强调的——那就是动手能力比背书重要得多。你在命令行里敲过的每一条指令，都会变成你的肌肉记忆。
好了，第一章就到这里。我们先把QSAR和批次质控的全貌看清楚。后面的每一章，都会对应框架里的一个具体环节，一步步带你做下来。记住，质控不是事后补锅，它应该贯穿建模的始终。