第4章：监督学习模型在生物学中的应用：分类与回归

聊到生物学的监督学习，说白了就是教模型看数据。你给它一堆有标签的样本，它学会规律后，就能预测新样本的标签。这在生物学里应用极广，从基因功能预测到药物响应分析，到处都有它的影子。

本章我们聚焦两类核心任务：分类 和 回归。我个人习惯把它们比作“定性”和“定量”的关系。分类是判断“是或不是”，回归是预测“是多少”。

4.1 分类：判别式任务的生物学面孔

分类问题在生物学里太常见了。举个例子：给定一个蛋白质序列，判断它是不是激酶；或者根据基因表达谱，区分正常组织和癌症组织。这些都是典型的二分类或多分类任务。

4.1.1 逻辑回归：概率解释的起点

你可能会问，回归怎么用在分类上？逻辑回归的核心其实是在线性回归的基础上套了个 sigmoid 函数，把输出压缩到 0-1 之间，作为属于某个类别的概率。

我在一个蛋白质亚细胞定位项目里用过逻辑回归。当时特征维度不高，样本量也只有几千，逻辑回归表现居然不比随机森林差。它的可解释性特别好——每个特征的系数直接告诉你这个特征对结果的正负影响。

from sklearn.linear_model import LogisticRegression

# 假设 X 是特征矩阵，y 是标签（0/1）
model = LogisticRegression(penalty='l2', C=1.0)
model.fit(X_train, y_train)

# 查看特征权重
for i, coef in enumerate(model.coef_[0]):
    print(f"特征 {i}: 权重 {coef:.3f}")

4.1.2 支持向量机：寻找最优分隔面

SVM 的想法很直观：在特征空间里找一个超平面，把不同类别的样本尽可能分开，并且让这个平面两侧的“间隔”最大。对于非线性问题，可以借助核技巧映射到高维空间。

我记得处理基因表达数据时，SVM 配合 RBF 核往往效果不错。但要注意，核函数的选择和参数调优很关键，不是所有场景都适合径向基函数。

4.1.3 决策树与集成方法：从单棵树到森林

决策树的可解释性是最好的——你可以把树路径画出来，直接解释为什么某个样本被分到某类。但单棵树容易过拟合，所以集成方法更受青睐。

我常用随机森林做生物标记物筛选。一个技巧是：查看特征重要性排序，往往能发现一些出人意料的潜在标记物。XGBoost 和 LightGBM 也值得一试，尤其在数据量大的时候。

import xgboost as xgb

# 训练 XGBoost 分类器
params = {
    'objective': 'binary:logistic',
    'max_depth': 6,
    'eta': 0.1,
    'subsample': 0.8,
    'seed': 42
}
dtrain = xgb.DMatrix(X_train, label=y_train)
model = xgb.train(params, dtrain, num_boost_round=100)

# 特征重要性
importance = model.get_score(importance_type='gain')
sorted_imp = sorted(importance.items(), key=lambda x: x[1], reverse=True)

4.2 回归：连续值预测的生物学挑战

回归任务的目标是预测一个连续的数值。比如根据药物分子结构预测 IC50 值，或者根据基因表达数据预测患者的生存时间。这类问题在药物发现和精准医学中极为重要。

4.2.1 线性回归与正则化

经典的线性回归假设特征与目标之间是线性关系。但在生物学数据中，特征之间往往高度相关（多重共线性），导致模型不稳定。这时候岭回归（L2）和 Lasso 回归（L1）就派上用场了。

Lasso 有个好处：它能自动做特征选择，把不重要的系数压缩到零。我在一个转录组预测药物敏感性的项目里，用 Lasso 从两万个基因中筛出了不到一百个关键基因，模型解释起来轻松很多。

from sklearn.linear_model import LassoCV

# 自动选择最优 alpha
lasso = LassoCV(cv=5, random_state=42)
lasso.fit(X_train, y_train)

# 查看哪些特征被选中（系数非零）
selected_features = [i for i, coef in enumerate(lasso.coef_) if abs(coef) > 1e-5]
print(f"选中的特征数量: {len(selected_features)}")

4.2.2 支持向量回归与随机森林回归

SVR 和分类版的 SVM 类似，但目标变成了在误差容忍范围内寻找最优回归函数。随机森林回归则通过多棵树的投票来降低方差。

我个人的经验是：如果数据量小（<1000 样本），SVR 配合 RBF 核经常能跑出不错的结果。如果数据量大，随机森林回归更省心，不用太多调参。

4.2.3 生存分析中的回归

在生物医学中，我们常常要预测“事件发生的时间”，比如患者生存期。这种数据存在右删失（部分患者未观察到事件），普通的回归方法处理不了。

Cox 比例风险模型是最经典的方法。它假设各因素对风险的影响是乘性的，通过偏似然估计求解。虽然它不直接预测生存时间，但能给出风险比，帮助医生判断哪种治疗方案更优。

import lifelines
from lifelines import CoxPHFitter

# 数据框包含: duration（时间）, event（是否发生事件）, 以及协变量
df = pd.DataFrame({
    'duration': [12, 24, 8, 36, 5],
    'event':    [1, 0, 1, 1, 0],
    'age':      [55, 62, 48, 70, 59],
    'treatment':[1, 0, 1, 0, 1]
})

cph = CoxPHFitter()
cph.fit(df, duration_col='duration', event_col='event')
cph.print_summary()

4.3 模型评估：不要只看准确率

很多人在生物学任务里只盯着准确率，这其实是个坑。我来给你说几个关键的评估指标。

4.3.1 分类任务的评估

在类别不平衡的数据集（比如罕见病只占 1%），准确率可能高达 99%，但模型实际上是个“全否定”的废物。这时候要关注敏感度（召回率）和特异性。

我建议至少报告以下指标：

• 混淆矩阵（真阳、假阳、真阴、假阴）
• 精确率、召回率、F1-score
• ROC-AUC（二分类）或 macro/micro AUC（多分类）
• PR-AUC（尤其当正类很少时）

4.3.2 回归任务的评估

回归常见的评估有 MSE、RMSE、MAE、R²。但要注意：MSE 对异常值极其敏感，如果生物学数据里有测量误差或 outlier，用 MAE 可能更稳健。

4.3.3 交叉验证的陷阱

生物学数据常常有分组结构（比如同一位患者的多份样本），如果直接做随机交叉验证，会导致严重的数据泄露。应该使用分层或分组交叉验证，确保同一患者的样本不会同时出现在训练集和验证集。

我曾经在一个蛋白质组学项目里踩过这个坑。数据来自 10 个批次，直接用随机划分，结果验证集性能漂亮得不行，但实际部署效果极差。后来改用批次分组交叉验证才暴露了问题。

from sklearn.model_selection import GroupKFold

groups = df['patient_id']  # 每个样本所属患者 ID
gkf = GroupKFold(n_splits=5)
for train_idx, val_idx in gkf.split(X, y, groups):
    X_train, X_val = X[train_idx], X[val_idx]
    y_train, y_val = y[train_idx], y[val_idx]
    # 训练和评估...

4.4 可解释性在监督学习中的实践

生物学里，不光要模型准，更要解释得通。我通常从三个层面入手。

4.4.1 特征重要性分析

树模型天然提供特征重要性，线性模型的系数也可以直接解读。但要注意：特征重要性不能等同于因果关系。

我记得做一个 miRNA 靶基因预测项目时，某个 miRNA 的重要性排名第一，但后来文献调研发现它只是相关性高，真正的调控关系却不在其中。所以特征重要性只能作为线索，不能直接下结论。

4.4.2 全局与局部解释

全局解释（如 SHAP 摘要图）能告诉你哪些特征整体上最重要。局部解释（如单个样本的 SHAP 值或 LIME）能展示某个具体预测的依据。

比如医生给定一个患者，模型预测他五年内会复发。你不仅要给出预测结果，更要解释清楚是哪些因素导致了高风险——是某个基因突变，还是年龄太大？这才是可解释性度量的真正价值。

4.4.3 模型内部的生物学验证

我有个原则：任何特征重要性结果，都要回到生物学知识里验证一遍。比如模型中“TP53 突变”如果是重要特征，那这个结果应该与已知文献一致。如果不一致，要么数据有问题，要么模型学到了噪声。