4. 数据增强概论：定义与分类、在分子建模中的应用概况、增强的通用策略

各位同学好，我是老周。这一章咱们聊聊数据增强——说白了，就是在数据不够、模型容易过拟合的时候，怎么用已有数据“变”出更多样本来。我在做蛋白-配体打分函数项目时，经常碰到训练集只有几百个复合物，加几轮增强后模型泛化能力能提升十几个百分点。嗯，这章咱们就把数据增强的底牌翻一遍。

4.1 数据增强的定义与分类

数据增强，英文叫 Data Augmentation，指的是在不收集新实验数据的前提下，通过对原始数据进行有意义的变换、组合或加噪，生成新训练样本的技术。它的核心目标有两个：一是扩大样本量，二是引入先验知识（比如平移不变性、旋转对称性）。

我习惯把分子领域的增强方法分成三大类，见下表：

我个人觉得，几何变换是分子领域最“安全”的增强手段，因为物理规律保证平移旋转不会改变结合自由能。但扰动和混合就得小心——加噪太多可能产生不存在的化学结构，模型学到的反而是假关联。

4.2 在分子建模中的应用概况

数据增强在图像、语音领域已经烂大街了，但在分子建模里还算是“半年轻”技术。为什么？因为你想想看，分子的物理化学约束比图像像素严格得多——像素可以随便翻转，但苯环的六个碳你不能随便换成一个氧，否则分子就变味了。

不过近三年，随着图神经网络（GNN）和几何深度学习火起来，数据增强在以下几个场景里特别有用：

• 蛋白-配体亲和力预测： 训练集通常只有几百到几千个复合物，直接训练容易过拟合到晶体数据里的非通用模式。加随机旋转+平移能学到旋转不变性。
• 分子性质预测（溶解度、毒性）： 往往只有几百个标签，用SMILES随机线性变换（SMILES enumeration）可以生成多种不同序列表示同一分子。
• 结合位点检测： 口袋点云数据量少，采用随机致密化（在原始点间插值）能提高检测鲁棒性。
• 生成模型（扩散模型、VAE）： 训练时加入噪声增强有助于学习更平滑的流形。

我记得2021年有个工作，在EquiDock上用随机鬼动量（random ghost momentum）做增强，把预测成功率从53%提到68%。虽然鬼动量不是严格意义上的数据增强，但思路相通：让模型见识更多“合理但不常见”的构象。

4.3 增强的通用策略

不管用什么方法，有一条铁律：增强后的样本必须仍然属于同一个任务分布。比如你做亲和力预测，不能增强出一个电子布局完全错误的分子，然后让模型去学习它的结合能——这就像拿一张PS过的照片去训练人脸识别，人眼都认不出，模型怎么能学对？

我总结了一套四步走的通用策略，直接用 Python 伪代码展示吧：

def augment_complex(complex_data, aug_method='rotation', aug_params=None):
    # 第一步：合法性校验
    if not validate_structure(complex_data):
        raise ValueError('原始结构不合法，不能增强')

    # 第二步：选择增强操作
    if aug_method == 'rotation':
        angle = random.uniform(-aug_params['max_angle'], aug_params['max_angle'])
        new_coords = rotate_rigid_body(complex_data.coords, angle)
    elif aug_method == 'noise':
        std = aug_params.get('coord_noise_std', 0.1)  # 单位Å
        noise = np.random.normal(0, std, size=complex_data.coords.shape)
        new_coords = complex_data.coords + noise
    elif aug_method == 'mixup':
        lambda_ = np.random.beta(a=2.0, b=2.0)
        new_coords = lambda_ * complex_data.coords + (1-lambda_) * other.coords
    else:
        raise NotImplementedError

    # 第三步：后处理（去除原子重叠、重新成键）
    new_complex = rebuild_bonds(new_coords, complex_data.topology)
    if not chemical_sanity_check(new_complex):
        return augment_complex(complex_data, aug_method, aug_params)  # 重新生成
    return new_complex

你看，我故意加了个递归重试机制——如果后处理检查不通过（比如两个原子挨得太近），就再抽一次随机数重新增强。这样做虽然慢一点，但能保证输出样本都是化学上合理的。

4.4 本章知识体系总览

下面这张SVG图把数据增强在分子建模里的整体脉络画出来了，你可以存着当思维导图。