第3章 批次校正必要性：为什么非做不可
好，进入正题之前，我先问大家一个问题。
你辛辛苦苦训练了一个ADMET预测模型，精度看着还行。结果应用到下一批化合物上，预测值全线漂移，跟实际测出来的数据对不上。这时候你是什么心情？
我最初接触这个领域时，就踩过这个坑。花了几周调模型，结果换了个批次的数据，效果直接腰斩。嗯，那时候我才意识到，问题不在模型，在数据本身。
这一章我们就聊聊，到底为什么非做批次校正不可。
3.1 根本原因：受训集与预测集的“来源偏差”
说白了，ADMET预测本质上是一个监督学习问题。我们用一批已知的化合物数据去训练模型，再用这个模型去预测另一批未知的化合物。
问题是，这两批数据往往不是同一个“出身”。
- 实验条件不同：溶剂批次、仪器校准、操作人员，这些都会带来细微的系统误差。
- 化合物骨架差异：早期筛选的化合物可能都是类药性好的小分子，后期开始探索新化学空间，骨架更多样。
- 数据来源混杂：你用的数据可能来自三个公开数据库加两个内部项目。每个来源的测试标准和单位都不完全一致。
我在一个跨项目合作中遇到过这种情况。甲方提供了2000个化合物的Caco-2渗透性数据，我们自己实验室测了500个同类化合物。同样的分子，在两个实验室测出来的数值差了一个量级。如果不做校正，模型学到的根本不是“渗透性”这个物理化学属性，而是“在哪个实验室测的”。
这就是批次效应的真实面目——它会让你模型学到的特征被“实验室标识”或“实验批次”污染，而不是真正有意义的分子结构特征。
3.2 数据层面的影响：原始特征分布漂移
我们来看一个更具体的例子。假设你有一批化合物的LogD数据，来自两个不同批次。
| 批次 | 分子数 | 平均LogD | 标准差 | 数据来源 |
|---|---|---|---|---|
| 训练集批次A | 1500 | 2.4 | 1.1 | 内部实验室(2022) |
| 预测集批次B | 800 | 3.1 | 1.8 | 外包CRO(2023) |
这两个批次的数据如果直接合并训练，模型会以为“LogD=3.1”在训练集里占了很大比例。可实际上，批次B的数据之所以偏高，是因为第三方CRO使用了不同的摇瓶法，溶剂系统和温度控制都不一样。
这种情况下，你训练出来的模型本质上是一个“批次分类器”。
3.3 模型层面的后果：过拟合批次特异噪声
有人说，我用的是深度学习模型，结构越复杂应该越能适应不同分布吧？
恰恰相反。越复杂的模型，越容易把批次效应当作信号来学习。
我见过一个案例，用的是GNN模型，输入的是分子图和实验条件编码。模型在训练集上R²达到0.92，看着很漂亮。拿到新批次的数据后，R²直接跌到0.3。为什么？
可视化隐藏层特征之后，发现训练集里不同批次的分子被分到了几个不同的簇。模型不是在学习分子的性质，而是在学习“这个分子属于第几轮测试”。
你想想看，这种现象在ADMET预测里尤其危险。因为我们通常希望模型学到的是底层的分子物理化学规律，而不是实验人员的工作习惯。
批次未校正 → 特征分布漂移 → 模型学习批次标识而非化学规律 → 预测可靠性下降3.4 具体场景中的“痛点”分析
我们不说大道理，直接看几个我在实际项目中遇到的典型场景。
场景一：虚拟筛选中的活性悬崖
有些化合物在训练集里被标记为“高活性”，换了个批次再做，活性降了一个数量级。这种“活性悬崖”很多不是真悬崖，而是批次效应导致的假悬崖。如果你不做校正，模型会误判结构类似的分子，把不该筛掉的筛掉。
场景二：不同时间段的预测分数不可比
我前期用模型预测了一批化合物的清除率，经过优化之后又测了一批。同一模型，同一流程，但两次预测的分数分布明显不同。是不是模型劣化了？后来发现是测试批次不同导致的。校正之后，两批预测值就能对齐了。
场景三：多任务学习的耦合效应
在多任务ADMET模型里，同时预测多个指标——比如渗透性、代谢稳定性、毒性。如果其中一个任务的数据存在批次效应，这个噪声会通过共享层污染其他任务的预测。哪怕其他任务的数据质量很好，整体效果也会被拉低。
3.5 不做批次校正的代价清单
| 代价类别 | 具体表现 | 严重程度 |
|---|---|---|
| 模型泛化能力 | 新批次预测精度显著下降，R²可能下跌0.3-0.6 | 高 |
| 化合物排序稳定性 | 同一化合物在不同批次间排名波动剧烈，无法做优先级决策 | 高 |
| 模型可解释性 | 特征重要性被批次标识干扰，无法信任SHAP或Grad-CAM结果 | 中高 |
| 多任务耦合 | 一个任务的批次效应蔓延到其他任务，造成系统性偏差 | 中 |
| 资源浪费 | 重复实验验证假阳性/假阴性，浪费湿实验资源 | 高 |
我曾经接手过一个项目，之前团队没有做批次校正，导致模型在后续连续三个月内都需要反复重训。每次加入新数据，模型就“失忆”一次。从那时候开始，我把“批次校正”放到了数据处理流程的第一步，再也没变过。
3.6 一个更直观的类比
我有一个习惯，喜欢把事情类比到日常。
批次校正，其实就是一个“校准体温计”的过程。你家里三支体温计，一支测出来36.5℃，另一支37.2℃，第三支36.8℃。你以为自己发烧了，其实只是体温计没校准。
ADMET预测也是一个道理。不同批次的实验数据就是不同体温计，你得先知道它们各自的偏差是多少，然后统一换算到同一个参考系，才能做有意义的比较和预测。
3.7 核心脉络：用一个SVG理清逻辑
说了这么多，我画了一张图来总结“为什么非做不可”的完整逻辑链条。你把这个逻辑记住了，以后每次做模型都会下意识问自己：“我这几批数据之间有没有偏差？”
—— 说白了，批次校正不是为了解决“数据不好”的问题，而是为了不让“数据之间的不一致”毁掉你已经做好的大部分工作。
这张图把链路讲得很清楚了：数据合并 → 来源偏差 → 分布漂移 → 模型过拟合噪声 → 最终预测不可靠。而批次校正，就是在“分布漂移”和“过拟合噪声”之间加一道开关。你别指望跳过这一步还能做出高可靠性的模型。
3.8 必须消除的两个常见误解
我和一些同行交流时，发现有两个误解流传很广。这里一并澄清。
误解一：“我用的模型自带正则化，能自动消除批次效应。”
正则化确实能防止过拟合，但它防的是“参数过拟合”，不是“特征被污染”。Dropout和L2正则不会主动去对齐不同批次的数据分布。你想想看，如果两个批次的特征空间本身就偏移了，再强的正则化也救不了。
误解二：“我用的是集成模型，多模型投票能抵消批次效应。”
集成模型确实能降低方差，但如果构成集成模型的每个子模型都接受了同样的偏差数据，它们会朝着同一方向犯错。集成只是一种“平滑”，不是“校准”。
好了，这一章的核心就这么多。记住这三个关键词：来源偏差、分布漂移、噪声过拟合。把这三点理解透，你自然就能判断为什么批次校正是ADMET预测里绕不开的一环。