一、QSAR 是什么？先聊聊我的理解
很多人第一次接触 QSAR，会觉得这个名字挺唬人——定量构效关系，听起来像是什么高深莫测的理论。其实说白了，就是一句话：分子的结构和它的活性（或者性质）之间，有没有一个可以量化的数学关系？
我刚开始做药物设计的时候，老板丢给我一堆化合物，说「你帮我把这些分子的活性排个序」。那时候我一个个做实验，累得半死。后来我发现，如果能用分子的结构特征去预测活性，那得省多少事？这就是 QSAR 最朴素的想法——用已知推未知。
举个例子。你有一组分子，测了它们的 IC₅₀（半抑制浓度）。如果你能找到某个分子描述符（比如 logP、分子量、氢键供体数）和 IC₅₀ 之间的规律，那你就可以用这个规律去预测还没合成的分子。嗯，这就是 QSAR 的核心。
我个人习惯把 QSAR 看作是「化学家的经验 + 数学家的模型 + 计算机的算力」三者结合的产物。它的定义其实很简单：
定量构效关系（QSAR）：利用统计学或机器学习方法，建立分子结构特征（自变量）与生物活性或理化性质（因变量）之间的定量数学模型，用于预测新分子的活性或性质。
1.1 发展里程碑：从一个玩笑到工业标准
QSAR 的历史挺有意思的。最早可以追溯到 19 世纪，但真正成为一门学科，是 1960 年代的事。
| 阶段 | 时间 | 关键人物/事件 | 核心贡献 |
|---|---|---|---|
| 萌芽期 | 1868 | Crum-Brown 和 Fraser | 提出「生理活性与化学结构有关」的假设 |
| 奠基期 | 1964 | Hansch 和 Fujita | 提出 Hansch 分析——多元线性回归框架 |
| 扩展期 | 1970s | Free 和 Wilson | Free-Wilson 模型：取代基贡献的加和模型 |
| 3D-QSAR 时代 | 1988 | Cramer | CoMFA（比较分子场分析）的提出 |
| 机器学习时代 | 2000s | 多学科交叉 | 随机森林、SVM、神经网络引入 QSAR |
| 深度学习时代 | 2014 至今 | DeepChem、Graph Neural Networks | 图神经网络、分子指纹自动学习 |
这里我特别想聊一下 Hansch。他当年做 QSAR 的时候，用的就是最简单的多元线性回归。你想想看，那时候连个人电脑都没有，全靠手算和打孔卡片。但就是这种「笨办法」，奠定了整个领域的基础。我曾经在一个项目里试图用复杂的深度学习模型去拟合一批数据，结果过拟合得一塌糊涂。最后回到 Hansch 的线性模型，反而效果更好。所以说，经典的东西永远有它的价值。
再说说 Free-Wilson。这个模型有个很有意思的出发点：它假设每个取代基对活性的贡献是独立的、可加和的。说白了，就是「你把一个甲基换成乙基，活性会变多少，这个变化和分子其他部分无关」。这在很多情况下当然过于简化了，但你不得不承认，在一些同系物系列里，这招真管用。
到了 1988 年，Cramer 提出了 CoMFA。这个就厉害了——它不再只盯着分子本身的原子和键，而是把分子放在一个三维网格里，计算它周围的静电场和立体场。这相当于从「看照片」进化到了「摸雕塑」。3D-QSAR 让构象问题变得重要起来，但同时也带来了一个麻烦：分子对齐。我记得第一次跑 CoMFA 的时候，花了两周时间手动对齐分子，就为了得到一个像样的模型。
最近这些年，深度学习来了。图神经网络可以直接从分子图里学习特征，不再需要人工设计描述符。这是好事，也是坏事。好的是自动化程度更高了，坏的是你很难解释模型到底学到了什么。我在实际项目中遇到过一个 case：GNN 模型的预测精度确实好，但它完全无法复现我们知道的一个经典构效关系规律。最后还是用回随机森林，虽然精度略低，但至少我能跟化学家解释「为什么这个分子活性高」。
1.2 QSAR 的现代理论框架
如果你要理解现在的 QSAR，其实就三个核心问题：
- 用什么来表示分子？（描述符、指纹、分子图）
- 用什么模型来拟合？（线性回归、随机森林、SVM、神经网络……）
- 怎么验证模型靠不靠谱？（交叉验证、外部测试集、Y-scrambling）
这三个问题环环相扣。你想想看，如果你选了一堆不相关的描述符，那么即使模型拟合得再好，也是白搭。反过来，如果你选对了描述符但模型太简单，可能也抓不住非线性关系。这就是为什么 QSAR 项目的成败往往不在模型本身，而在你对数据的理解有多深。
我个人习惯把 QSAR 工作流总结成这张图：
你看，这个流程看起来简单，但每一步都有坑。举个例子，特征选择那一步，我曾经在一个含有 1500 个描述符的数据集上做 QSAR，结果用全量特征训练的模型在交叉验证里 R² 高达 0.92，一测外部数据直接掉到 0.3。为什么？因为我选的特征里有大量冗余和噪声。后来老老实实用随机森林的特征重要性做了筛选，只保留了 100 个特征，外部验证 R² 反而稳定在 0.65 左右。嗯，这就是教训。
1.3 在药物设计中的应用意义
QSAR 在药物研发中到底有多重要？我这么跟你说吧——它几乎是现代药物化学的标配工具。它的应用场景非常集中，但效果很实在：
- 先导化合物优化：你有一系列类似物，想知道哪些替换方向能提高活性。QSAR 模型可以直接给出预测排名，指导下一轮合成。我在做 GPCR 项目时，就用 QSAR 模型把候选分子从 200 个筛选到 30 个，合成效率翻了一倍。
- ADMET 预测：活性再好的分子，如果毒性高或者代谢差，也进不了临床。QSAR 模型在预测吸收、分布、代谢、排泄和毒性方面已经相当成熟。比如用 logD 预测肠道吸收，用 Caco-2 数据建模型预测渗透性——这些都是很成熟的 QSAR 应用。
- 虚拟筛选：当你的公司有几十万个化合物库时，一个一个测是不现实的。这时候 QSAR 模型可以作为一个初筛工具，把最有可能有活性的分子挑出来。当然，模型的预测精度决定了筛选的命中率。我记得有一次帮客户做虚拟筛选，用的是 SVM 模型，从 50 万个分子里筛出来 500 个，送测后活性命中率达到了 18%，在业界已经算不错了。
- 机制研究：QSAR 模型还能帮你理解药效团的关键特征。比如，如果你发现某个描述符（比如极性表面积）在模型中权重特别高，那就可以推测：这个靶点可能对分子的极性非常敏感。这一点对后续的分子设计很有启发。
当然，QSAR 不是万能的。它最大的局限是适用范围（Applicability Domain）。换句话说，你的模型只能预测它「见过」的化学空间。如果你给它一个全新的骨架，模型很可能是不准的。这个坑我在很多项目里都遇到过。
实用建议：做 QSAR 项目时，永远记住两个数字：「R² > 0.7」的拟合优度和「Q² > 0.5」的交叉验证指标，才值得进入下一阶段。如果你的模型的 Q² 连 0.3 都不到，别急着调模型——先回头检查你的数据和描述符。
1.4 本章小结
好了，第一章我们就聊这些。QSAR 听起来高大上，但本质上就是个数学建模问题。你要理解的是：它不是万能的，但在正确的场景下，它能让你的工作效率翻倍。从 Hansch 的线性回归到今天的深度学习，QSAR 的核心一直没变——找到一个可靠的、可解释的结构-活性关系。