3. 批次效应概述
做ADMET预测的人，十有八九都会碰到一个“隐形杀手”——批次效应。我最早接触这玩意儿是在一个化合物库的ADMET筛选项目里，明明同一种化合物，换个批次测出来的LogD差了快1.5个单位，起初还以为是实验出错了。后来才发现，这事在药物研发里太常见了。
今天我们就把它彻底说清楚：批次效应到底是什么、从哪冒出来的、以及它怎么偷偷毁掉你的ADMET模型。
3.1 什么是批次效应
简单讲，批次效应就是“因为实验操作或测量环境的非生物学差异，导致同一样本在不同批次测试中产生系统性偏差”。
举个例子你就懂了：同一个化合物库的100个分子，第一批和第二批用同一方法测Caco-2渗透性，但第二批的Papp值整体偏高0.3个单位。这个偏移不是化合物本身的性质，而是实验引入的“假信号”。
我习惯把批次效应比作拍照时的滤镜——文件没变，但滤镜不同，出来的色调就变了。ADMET数据里的“滤镜”，就是批次。
3.2 产生原因
为什么会发生？我经历过好几次，总结下来主要有这几类“元凶”：
- 实验条件波动：温度、湿度、细胞传代次数、孵育时间等，差半小时结果可能就不同。
- 试剂/耗材批次：不同批次的胎牛血清、溶剂、色谱柱，甚至96孔板的生产批次，都会引入变量。
- 操作人员：手工操作（比如液液萃取、细胞铺板）不同人员之间很难完全一致。
- 仪器/检测平台：换了台质谱仪，或者同一个仪器经过维保调校后基线漂移。
- 实验设计本身：有些实验室习惯先把所有化合物的A测完再测B，时间跨度大了，批次效应自然出现。
关键认知：批次效应不是“数据脏”，它是实验过程中不可避免的系统噪声。你的任务不是消灭它（根本做不到），而是检测并校正它。
3.3 对ADMET预测的影响
在ADMET建模中，批次效应带来的后果很直接——模型学到的“规律”可能不是化合物结构的贡献，而是批次的人为偏差。
具体来说：
- 引入假阳性/假阴性：一个化合物在A批测出来渗透性优秀，换到B批却一般。你信哪批？如果按批次分割训练集和测试集，模型性能会被严重高估或低估。
- 降低模型泛化性：模型在新实验室、新批次数据上表现暴跌。我就遇到过客户拿着自己实验室的溶解性数据，套用公开模型预测，结果R²只有0.2——一问，原来是公开数据用了老批次试剂。
- 混淆真实信号：PCA等降维方法本来想展示化合物结构聚类，结果画出来却是按批次分的堆。此时你再做QSAR，变量重要性可能全是噪音。
避坑指南：我曾经在一个Caco-2数据集中发现，批次的方差贡献甚至超过了化合物本身的结构方差。这时直接建模等于用“批次标签”做预测，而非ADMET性质。
注意：不要把批次效应和“生物学变异”搞混。生物学变异是真实的组间差异，比如不同个体肝微粒体活性不同；批次效应是测量过程引入的伪差异。误把批次当生物学信号，建模结果毫无意义。
下面这张图可以帮你看清批次效应的全貌：
在实际项目中，我经常先用简单的箱线图或密度图扫一眼数据，看各个批次的中位数、方差有没有明显漂移。如果发现某批数据整体偏高或偏低，基本就中招了。
举个例子，你有一份PAMPA渗透性数据：
import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_csv('admet_pampa.csv')
# 假设有列：batch, compound, Papp
df.boxplot(column='Papp', by='batch')
plt.title('Papp by Batch - quick check')
plt.show()运行后一看箱线图，批次A的中位数明显高于B和C，那就说明批次效应存在。别慌，后面几章我们会用PCA从高维角度定量检测它。今天先把概念吃透——批次效应的本质是“实验标尺变了”，不是化合物本身变了。
记住一句话：在ADMET建模中，不理解批次效应，你建的模型可能只是一张“实验操作回忆录”。