第一章 课程介绍与目标
做药物研发的同学应该都遇到过这个场景：你辛苦处理完一批ADMET数据，拿去跑模型，结果发现预测结果乱成一团——不是化合物本身的问题，而是数据来源不同批次之间藏着看不见的“系统漂移”。这就是批次效应。说实话，我早年刚接触ADMET数据时也被坑过，明明同一个化合物，两批数据测出来的差距比结构不同还大，后来才发现是批次效应在捣鬼。
那为什么要用PCA来检测？因为PCA是一种无监督降维方法，能把高维ADMET指标压缩到2-3个主成分上，批次之间的偏移就变得肉眼可见。你想想看，几十个理化性质、吸收、分布、代谢、排泄、毒性参数，用眼睛根本看不出规律，但在PCA散点图里，不同批次的样本往往会自动聚成不同的“云团”。嗯，这就是我们今天要讲的核心。
1.1 整体课程框架
这门课一共30章，我把它拆成四个模块。我不喜欢啰嗦，直接看图：
每个模块的章节分布大致如下：
| 模块 | 章节范围 | 核心内容 |
|---|---|---|
| 背景与基础 | 第1-4章 | 课程介绍、环境搭建、ADMET基础、批次效应概念 |
| ADMET与批次效应 | 第5-9章 | 数据采集、预处理、批次效应量化、可视化探索 |
| PCA方法实战 | 第10-22章 | PCA原理、Python实现、调参、批次效应检测流程 |
| 案例与总结 | 第23-30章 | 多个真实数据集实战、对比方法、报告输出 |
我个人习惯把最硬核的PCA原理放在中间，前面铺垫数据，后面巩固实战。你可以根据自己的基础跳过部分章节，但建议把“数据预处理”那几章认真学完——我见过太多人一上来就跑PCA，结果因为缺失值或没归一化，图全是乱的。嗯，这个坑我自己就踩过。
1.2 学习目标
学完这门课，我希望你能做到这几件事：
- 理解PCA的数学直觉——不是死记公式，而是知道它“为什么能找出最大方差方向”；
- 独立处理ADMET数据——清洗、标准化、处理缺失值，你想想看，原始数据里有NaN、有量纲不统一，这些不搞定PCA等于白做；
- 用Python实现PCA批效应检测——从
sklearn.decomposition.PCA到自定义可视化，我会带着你一步一步写； - 解读PCA结果——能区分“批次效应显著”和“正常数据波动”，我曾经因为误判一个离群点浪费了两个月优化实验方案；
- 输出专业报告——生成批效应评估图、统计指标，让协作同事一眼看懂。
核心产出：学完后你手头会有一套可直接复用的PCA批效应检测脚本，以及三种常见场景的解决方案（不同批次、不同仪器、不同实验室）。
1.3 适用人群
说白了这个课就是给两类人准备的：
- 药物研发 / 计算化学 / ADMET 分析人员——手头有化合物数据，想排除批次干扰，提高QSAR模型可靠性；
- 生物信息学 / 数据科学从业者——已经有Python基础，但面对高维多批次数据不知从何下手。
如果你完全没学过线性代数，也不用怕。我会把PCA用“旋转坐标系”这个比喻讲给你听，代码部分我会提供完整的示例数据，你直接运行就能看到效果。
课前必备：请确保你的电脑上安装了Python 3.8+，并准备好以下库：
pip install numpy pandas scikit-learn matplotlib seaborn如果你用的是Anaconda，这些库一般都自带。验证方法很简单：打开终端或Jupyter Notebook，输入 import sklearn; print(sklearn.__version__)，不报错就行。
重要提醒：本课程的PCA部分不需要你手动实现SVD分解，我会用现成的API。但我会带你拆解每一步的输出，确保你明白“每个主成分代表什么”。千万别跳过那些可视化分析环节——数据不会撒谎，但未经校验的PCA图会。
好了，第一章就这些。与其花时间纠结“我适不适合”，不如先把环境搭好，从第二章开始我们就会接触到真实ADMET数据了。记住，批次效应不会自己消失，你得学会用PCA把它揪出来。