一、QSAR建模简介与批次效应问题概述

各位同学好，我是老周。在药物研发圈里摸爬滚打了十几年，今天咱们来聊聊QSAR建模。说白了，QSAR就是用量化结构描述符去预测化合物的生物活性。这玩意儿听着玄乎，其实核心就一句话：找到分子结构和活性之间的数学关系。

1.1 QSAR是个啥？

我最早接触QSAR建模时，还在做ADMET预测。那时候数据量不大，手动提几个描述符就开跑。现在不一样了——动不动就是几十万条化合物记录，几百个描述符。但不管数据多大，QSAR的基本逻辑没变：

• 输入：分子结构描述符（2D、3D、指纹等）
• 输出：目标活性值（IC50、Ki、LogP等）
• 核心：构建一个可靠的预测模型

嗯，这里要注意。QSAR可不是随便拿个算法怼上去就完事。数据质量不行，模型再花哨也是白搭。我见过太多项目，上来就用深度学习，结果数据本身有问题，预测结果飘得离谱。

1.2 “批次效应”——这个坑你得懂

你想想看，如果两批实验数据，因为仪器不同、操作员不同、试剂批次不同，导致同一化合物的活性值差了10倍……用这数据建模，模型能准吗？这就是批次效应。说白了，数据里混入了“实验批次”这个额外变量，而不是真实的构效关系。

我自己遇到过最夸张的一次：同一个化合物，在A实验室测的IC50是5nM，B实验室测出来是5000nM。如果我不做校正，模型会认为这两个分子活性差三个数量级——其实只是批次不一样。

批次效应来源	典型表现	影响程度
仪器校准差异	同一化合物在不同仪器上读数不一致	中等
试剂批次变化	不同批次的试剂活性不同	高
操作人员手法	加样、孵育时间等人为差异	中等
数据采集时间	不同时间点获取的数据存在漂移	低-中
环境条件波动	温度、湿度等环境参数变化	低

1.3 批次效应的危害有多大？

我曾经见过一个悲剧：某团队花半年建了一个激酶抑制剂模型，验证集R²高达0.92。结果一放到新数据上，R²直接掉到0.3。查了好久才发现，训练数据和验证数据来自不同的实验批次。模型学到的根本不是构效关系，而是批次差异。

批次效应带来的主要问题：

1. 模型过拟合到批次特征——模型记住了批次标签，而不是活性模式
2. 跨批次预测能力差——换个实验室数据就失效
3. 特征重要性失真——有些描述符之所以重要，只是因为它在不同批次里有差异
4. 可重复性差——同一化合物在不同批次预测结果截然不同

1.4 一个典型场景

给你看个具体例子。假设我们有两个批次的ERα结合活性数据：

批次A（n=500）：IC50范围 0.1nM - 10μM，均值 100nM
批次B（n=300）：IC50范围 0.5nM - 50μM，均值 500nM

如果直接把两批数据合并训练，模型会怎么做？它会把“来自批次B”这个标签和“活性较弱”关联起来。但实际上，批次B的化合物结构和批次A的结构分布差不多——只是实验条件不同导致整体偏移。

我个人的做法是：先用统计方法检测是否存在显著批次差异。比如用ANOVA或者Mann-Whitney U检验，看不同批次的活性分布是否有显著差异。如果有，就得考虑校正了。

1.5 本章知识图谱

下面这张图帮你理清本章的核心脉络。我们从数据源头出发，面对多批次数据，必须识别出批次效应，理解其危害，然后才有后续的校正方法。这张图会贯穿整个课程：

1.6 下一站：校正方法概览

搞清楚了批次效应是什么、为什么会有、危害多大，接下来就该琢磨怎么解决了。我个人习惯把校正方法分为三类：

• 数据预处理层面：归一化、标准化、ComBat等
• 建模层面：加入批次协变量、层级模型等
• 后处理层面：预测值校准、域适应等

这些东西我们后续会一个一个讲。嗯，现在你只需要记住：批次效应不是洪水猛兽。它是个系统性偏差，只要认识到位、方法得当，完全可以校正过来。