📚 课程目录第4章机器学习在蛋白-配体预测中的角色

4、机器学习在蛋白‑配体预测中的角色：回归与分类

说实话，不少刚入门的朋友会问我：“做蛋白‑配体预测到底该用回归还是分类？”我的回答通常是：先看你的实验数据是什么样，再想业务上要什么。这事没那么玄乎，但踩坑的人真不少。

今天我就把这两类任务掰开揉碎讲清楚。回归负责“猜多亲”，分类负责“判死活”。两者用的模型框架类似，但目标函数、评估方式、数据要求完全不一样。下面我们逐项展开。

4.1 回归任务：预测结合亲和力

回归要输出一个连续数值——比如 pIC₅₀、pK_d、ΔG。我见过最直接的场景：你手里有几十个化合物，各有活性数据，老板想知道下一个候选物的亲和力是多少。

4.1.1 常用指标

指标	含义	我的说明
RMSE	均方根误差	单位与目标一致，直观但受异常值影响大
R²	决定系数	模型解释了多少方差；我习惯先看这个
Pearson r	皮尔逊相关系数	只看线性相关，不罚偏差
Spearman ρ	排序相关性	只关心排名，适合筛选场景

个人习惯：如果项目目标是“找出前10%的强效分子”，我优先看Spearman ρ。如果要做绝对数值预测，RMSE才是硬指标。

4.1.2 数据与模型

回归任务需要高质量的连续活性值。常见陷阱：实验数据来自不同实验室、不同方法，数值漂移严重。我在一个跨膜蛋白项目里就吃过这个亏——同一个化合物的pIC₅₀差了两个数量级，模型怎么调都不收敛。

模型层面，随机森林、XGBoost、图神经网络都有人用。我个人经验：当数据量小于1000时，树模型比深度网络更稳；数据量上万后，图网络+注意力机制往往能多出几个百分点的R²。

# 一个极简的回归示例（Python + scikit-learn）
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error, r2_score

model = RandomForestRegressor(n_estimators=200, max_depth=12)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)

print(f"RMSE: {mean_squared_error(y_test, y_pred, squared=False):.2f}")
print(f"R²  : {r2_score(y_test, y_pred):.3f}")

4.2 分类任务：判断活性 vs 非活性

分类输出是离散标签——最常见的就是“活性(1)”和“非活性(0)”。你想想看，工业界高通量筛选最喜欢这个：一套流程跑下来，直接标好坏，省得测绝对亲和力。

4.2.1 正负样本不平衡

真实筛选场景中活性分子常常只占1%~5%。我遇到过最夸张的一次：15000个化合物，只有73个活性。用原始数据训练出来的模型，永远预测“非活性”，准确率95%以上——但屁用没有。

我曾经犯过的错：以为用默认阈值就好。实际上分类器输出的概率分布严重偏斜，必须重新校准阈值或使用代价敏感学习。

4.2.2 评价指标不能只看准确率

指标	适用场景	我的看法
AUC‑ROC	排序能力	最常用，但正负样本极度不平衡时可参考
Precision / Recall	实际正类预测效果	我习惯看F1，尤其是活性类
PR 曲线下面积	不平衡数据	强烈推荐，比ROC更真实
命中率 / 富集因子	虚拟筛选	业务导向，老板最喜欢这个

4.2.3 常用模型与技巧

分类模型可以从逻辑回归一路堆到图注意力网络。我的建议：先跑一个简单的XGBoost基线，看数据是不是 linearly separable。如果基线AUC > 0.85，别急着上大模型；如果 < 0.7，再考虑图网络、3D卷积等复杂架构。

# 分类示例（XGBoost + 不平衡调整）
import xgboost as xgb

model = xgb.XGBClassifier(
    scale_pos_weight=len(y_train[y_train==0]) / len(y_train[y_train==1]),
    n_estimators=100, max_depth=6
)
model.fit(X_train, y_train)
y_prob = model.predict_proba(X_test)[:, 1]
# 根据验证集重新选阈值，比如用最大化F1

4.3 回归 vs 分类：一句话对比

维度	回归	分类
输出	连续值（pIC₅₀等）	离散标签（活性/非活性）
数据需求	高质量连续活性	阈值定义明确，不平衡常存
典型模型	RF, XGBoost, GNN	XGBoost, DNN, GNN
主要评估	RMSE, R², Spearman	AUC, F1, PR‑AUC
业务价值	定量排序 & 优化	高通量初筛 & 二分化决策

  核心原则：如果你的实验能给出连续活性值，用回归；如果只有“活性/非活性”标签，别硬回归。反之亦然。我见过有人在分类数据上做线性回归，结果乱成一团。

4.4 如何选择？一张流程图

下面这张图概括了我平时做任务选型的思路，从数据特点一路走到评估决策。

  小结一下：回归和分类不是非此即彼。有些项目会先用分类筛掉80%无效物，再对剩下的做回归精排。我自己在工业界项目中就这么干——先把非活性丢掉，再花力气算亲和力，效率翻倍。

避坑指南：别在分类任务里用回归的评估指标，也别把回归输出硬切出分类标签（除非你清楚阈值怎么定）。我曾经直接拿回归结果卡了一个pIC50＞6就算活性，结果模型在阈值附近摇摆不定，AUC反而比专门训练的分类器低一大截。

说白了，选回归还是分类，核心就看两样：你的数据长什么样，业务上要一个数还是一个标签。搞明白了这个，后面调参、选模型才不会跑偏。