QSAR建模流程：从数据到解释的完整路径

聊完多任务学习的基础，咱们得先搞定最核心的事——QSAR建模到底怎么走。我刚开始带团队做项目的时候，发现很多新人一上来就急着调模型，结果数据没处理好，模型跑出来完全是虚的。

说白了，QSAR建模就像盖房子。地基没打好，后面装修再漂亮也白搭。今天我就把整个流程拆开揉碎了讲给你听。

2.1 数据收集：建模的命根子

数据是什么？就是你模型的口粮。没数据，啥都干不了。

我见过太多项目，模型效果差，一查原因——训练集和测试集有重叠的分子。你想想看，这跟考试前偷看答案有什么区别？

数据来源主要有这么几个渠道：

数据源类型 典型代表 特点
公共数据库 ChEMBL, PubChem, BindingDB 数据量大，但噪声多，需要仔细清洗
文献数据 专利、期刊论文 质量高，但格式不统一，提取费劲
内部实验数据 企业HTS筛选结果 最靠谱，但往往样本量有限
计算预测数据 对接打分、分子动力学结果 量大覆盖广，但误差累积严重

数据收回来以后，第一件事就是清洗。我习惯按这个顺序走：

  1. 去重——同一分子结构只保留一条记录
  2. 标准化——SMILES格式统一，价态调整
  3. 异常值处理——活性值明显偏离三个标准差的，先标记出来
  4. 缺失值处理——要么删掉，要么用同类分子的均值填补
一个实用的小技巧：对于多任务学习，你需要确保每个任务（比如不同靶点的活性）的数据量不要相差太多。我遇到过最头疼的情况，一个任务有5万条数据，另一个只有50条，模型直接偏向数据多的那个任务去了。

数据清洗完了，记得做分层抽样。就是把数据按活性高低分成几层，每层再随机抽。这样做出来的训练集和测试集，分布才一致。

2.2 分子描述符计算：把化学结构变成数字

算法不认识分子结构，它只认识数字。所以我们要把分子结构翻译成一组特征向量。这就是分子描述符。

描述符可以分成这么几类：

描述符类型 例子 维度
二维描述符 分子量、LogP、氢键供体数、可旋转键数 几十到几百
三维描述符 分子体积、表面积、偶极矩 几十
指纹图谱 ECFP4、MACCS、Morgan指纹 几百到几千（通常是稀疏的）
分子图 原子类型、键连接矩阵 可变

我个人最常用的工具是RDKit。它开源、功能强，社区也活跃。算ECFP4指纹的代码很简单：

from rdkit import Chem
from rdkit.Chem import AllChem

mol = Chem.MolFromSmiles('CCO')
fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius=2, nBits=2048)
bit_string = fp.ToBitString()

这里要注意一个坑：指纹的维度选择。2048位是常用的，但如果你数据量小（比如几千条），128或256位可能更合适。为什么？因为位越多特征越稀疏，模型容易过拟合。

我曾经踩过的坑：有一次我同时用了二维描述符和ECFP4指纹，直接把所有特征拼在一起，总共3000多维度。结果模型训练巨慢，而且效果还不如只用ECFP4。后来我才意识到，描述符之间高度相关，有很多冗余信息。现在我做特征融合时，一定会先做相关性分析。

另外，所有描述符计算完成后，记得做标准化。尤其是数值范围差异大的描述符——分子量是几百，LogP只有几。不标准化的话，模型会默认把分子量当成最重要的特征。

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X_descriptors)

2.3 模型训练：核心环节

描述符准备好了，终于可以开始训练模型了。对于传统QSAR，你可能用随机森林、SVM或者XGBoost。但对于多任务学习，我们的目标是一起预测多个端点。

举个例子，同一个化合物对5个激酶靶点的活性。如果用单任务，你得分别训练5个模型。多任务学习只需要一个模型，输出5个预测值。

这个过程可以概括为：

  • 输入层：分子描述符向量
  • 共享层：多层全连接网络（所有任务共享权重）
  • 任务特定输出层：每个任务有自己的一个输出节点，用Sigmoid做激活（回归任务用线性激活）

一个简单的PyTorch实现框架：

import torch.nn as nn

class MultiTaskQSAR(nn.Module):
    def __init__(self, input_dim, hidden_dim, n_tasks):
        super().__init__()
        self.shared = nn.Sequential(
            nn.Linear(input_dim, hidden_dim),
            nn.ReLU(),
            nn.Dropout(0.3),
            nn.Linear(hidden_dim, hidden_dim // 2),
            nn.ReLU(),
        )
        self.task_heads = nn.ModuleList([
            nn.Linear(hidden_dim // 2, 1) for _ in range(n_tasks)
        ])

    def forward(self, x):
        shared_rep = self.shared(x)
        outputs = [head(shared_rep) for head in self.task_heads]
        return torch.cat(outputs, dim=1)

训练时，损失函数怎么设计？我建议加权求和：

loss_total = sum(w_i * loss_i for i in range(n_tasks))

权重的选择很关键。如果某个任务的数据量特别大，它的loss会主导整个训练过程。我一般会设成反比于数据量：数据量大的任务权重小一点，数据量小的任务权重大一点。

核心经验：多任务学习不是简单地把多个任务堆在一起。你要确保这些任务之间是相关的。我在一个项目中试着把ADMET预测和激酶活性预测放在一起训练，结果效果反而下降了。因为这两个任务的本质差异太大，共享表征学不到对两者都有用的特征。

2.4 模型验证：别看训练集上的假象

模型训练好了，怎么知道它到底行不行？

验证方法有两种：

  1. 内部验证：交叉验证、留一法。训练集内部搞。
  2. 外部验证：拿全新的、模型没见过的数据来测。这才是真本事。

评估指标要分场景：

任务类型 常用指标 说明
分类（活性/非活性） AUC-ROC, 准确率, 精确率, 召回率 AUC > 0.8 算可用，> 0.9 算优秀
回归（pIC50值） R², RMSE, MAE R² > 0.6 算可接受，> 0.8 算很好

对于多任务模型，我会额外关注：每个任务各自的指标表现。模型整体看起来不错，但某个任务特别差——这种情况经常发生。

一个小建议：外部验证集最好来自不同的化学空间。比如训练集是PubMed文献的数据，验证集换成商业专利的数据。这样测试出来的结果才真实反映模型的泛化能力。

2.5 模型解释：不是黑箱，是工具箱

最后一步，也是最容易被忽视的一步——解释模型。

药物化学家不会只看一个预测值就决定合成哪个化合物。他们想知道：为什么这个分子活性高？

我常用的解释方法：

  • SHAP值：算出每个描述符对预测的贡献。简单直观。
  • 注意力机制：如果是基于分子图的模型，看模型关注了分子上的哪些原子。
  • 拟和替代模型：用决策树去拟合复杂神经网络的预测，用树的结构来解释。

用SHAP举个简单的例子：

import shap

explainer = shap.DeepExplainer(model, X_train)
shap_values = explainer.shap_values(X_test)
shap.summary_plot(shap_values, X_test)

输出的SHAP值可以直接告诉药物化学家：含氟基团、特定的芳香环位置——这些特征对活性提升贡献最大。

总结一下我的经验：模型解释不是锦上添花，是必须的环节。我的项目里，如果没有解释性分析，合作方根本不会采纳模型的建议。因为他们怕黑箱决策。

建模走到这步，才算真正走完了。但这只是开始，后续还有模型更新、迁移到新靶点、处理不平衡数据等等问题。嗯，那些我们后面慢慢聊。

现在，先拿一个小的多任务QSAR数据集，把上面这个流程走一遍。纸上得来终觉浅。

← 上一章 📖 返回目录 下一章 →