课程介绍与背景：蛋白配体相互作用预测中的类别不平衡问题概述
为什么我们要聊这个？——先从一个尴尬的现实说起
我个人习惯在做任何项目前，先把问题本身想清楚。蛋白配体相互作用预测，说白了就是判断一个小分子能不能和某个靶点蛋白结合。这事在药物发现里有多重要，不用我多讲。
但你想想看，一个真正的药为什么能工作？它得跟靶点蛋白结合得够好，同时还得不跟其他蛋白乱结合。这里就引出了一个核心难题：在这个预测任务里，正样本（结合）和负样本（不结合）的数量差得太远了。
我记得刚入行做虚拟筛选那会儿，带我的前辈就说过一句话：
“你做一万个分子去筛，能中一个就算你运气不错了。”
这话我到现在还记得。因为在真实的药物筛选场景里，活性分子与无活性分子的比例，往往在 1:100 到 1:10000 之间。这是什么概念？你拿到的数据，正样本可能只有几十条，负样本却堆了上万条。
这就是我们常说的类别不平衡（Class Imbalance）问题。它不是什么新鲜事，但在蛋白配体预测这个领域，它的影响尤为致命。
不平衡问题在蛋白配体预测中的三种表现
我见过很多刚接触这个方向的同学，上来就抄别人的模型跑默认参数，结果精度看起来挺高，一部署就崩了。为什么呢？其实就是没理解不平衡怎么影响实际应用。
我把常见的表现归纳为三种，你对照着看：
| 表现类型 | 具体现象 | 实际后果 |
|---|---|---|
| 分类偏差 | 模型倾向于把所有样本都预测为负类 | 一个真正的活性分子被直接过滤掉，漏掉潜在药物 |
| 指标失真 | 准确率很高，但召回率极低 | 看着模型acc 98%，实际上正样本一个都没抓住 |
| 泛化崩溃 | 在训练集上表现良好，但在新靶点上完全失效 | 模型只学会了区分“大多数”，没有学到真正的结合模式 |
你可能会问：那为什么不用更复杂的模型来硬扛？我试过。我曾经把一个Transformer搬到分子性质预测上，结果因为不平衡太严重，模型直接摆烂——全输出“不结合”。这种“懒汉行为”在深度学习中太常见了。
真实数据长什么样？
拿一个我常用的公开数据集举个例子。你打开PDBBind或者BindingDB，清点一下样本：
总样本数: 125,000
正样本(高亲和力): 1,234 (0.99%)
负样本(低亲和力或无结合): 123,766 (99.01%)
正负比例: 1 : 100.3这种比例下，如果你不加任何处理就去训练一个二分类器，它很容易学到一个“万能解”——全都判负得99%的准确率。但很明显，这对药物发现毫无帮助。
说到这里，我插一句。我遇到过不少同学拿这种数据去跑xgboost，然后很开心地跟我讲acc有97%。我一问召回率——2%。这就是典型的被指标骗了。
传统的应对方法——它们能顶用吗？
在进入课程正文之前，我想让你先瞄一眼常见的解决思路。我们后面会逐一细讲，这里先做个全景图：
这张图展示了我们后续课程的主干。你可以看到，数据层、算法层、评估层三条线，哪一条都不能少。我在实际项目里踩过的坑，多半都是因为只盯着一条线使劲。
一个绕不开的陷阱：生存偏差
这个问题我不提一下心里不踏实。在蛋白配体数据里，正样本往往来自已经发表的论文或PDB数据库。这意味着什么？
- 它们都是有报道活性的分子——是被“筛选出来”的。
- 那些被筛掉的无活性分子，很少被发表。
- 于是你手头的“负样本”其实是实验者标注的“没兴趣”，而不是真正的“不结合”。
这种生存偏差（Survivorship Bias）在药物数据里极其普遍。我曾经在处理一个GPCR靶点数据集时，发现标注为“负样本”的分子，其实里面有相当一部分根本没有做过实验验证。这就是典型的脏数据加了不平衡，雪上加霜。
为什么传统方法在蛋白配体场景中经常翻车？
你可能会想：既然不平衡是个老问题了，那直接用经典的SMOTE或者随机过采样不就行了？
嗯，我刚开始也这么想。但试过之后发现，在分子数据上，这些方法经常水土不服。
- 分子空间不是欧几里得空间——简单的SMOTE在相邻分子间插值，容易生成物理上不存在的分子结构。
- 结构相似不等于结合相似——两个结构非常相似的配体，可能一个结合一个不结合。过采样增加相似样本，反而会固化模型的错误认识。
- 化学多样性被忽略——蛋白配体预测真正需要的是学到多样性的结合模式，而不是在少量正样本里来回打转。
我记得有一次，我对一个激酶数据集做SMOTE过采样，生成了200个“合成正样本”。结果在测试集上，模型对其中180个预测正确，但对真正的全新配体，预测能力几乎没有提升。说白了，那些合成样本只是噪声，不是知识。
关键洞察：在蛋白配体场景中，类别不平衡的本质不是简单的数量问题，而是信息不平衡。正样本不仅仅少，而且它们的化学空间覆盖度极度稀疏。这是后续课程中所有方法设计的核心出发点。
这门课我们会怎么讲？
我不想给你堆一堆论文里的公式然后说“你回去自己看”。我的想法是，每一章都聚焦一个具体的方法，我会告诉你：
- 这个方法背后的直觉——说白了就是它凭什么能对付不平衡？
- 它适用于什么类型的蛋白配体数据？
- 我在实际项目中用这个方法踩过哪些坑？
- 最后，一个可运行的代码示例——让你能在自己的数据上立即复现。
比如说，我们后面会详细讨论专门的分子过采样方法（比如MoleculeSMOTE），代价敏感损失的设置技巧，以及怎么用AUC-PR而不是AUC-ROC来评估你的模型。这些在一般的机器学习教程里很难找到，但在蛋白配体预测中却是保命技能。
一点题外话——关于这门课的心态
做蛋白配体预测的类别不平衡处理，很多时候不是技术问题，而是决策问题。你要决定：
- 你更担心漏掉一个潜在药物（假阴性）？
- 还是更担心把预算浪费在错误的候选分子上（假阳性）？
这两种权衡，在不同项目阶段完全不同。我早年间接一个合作项目时，就因为没跟对方确认这点，最后做了三版模型才满足需求。所以后面我们讲方法的时候，我都会单独提一句：这个方法偏向哪一类错误？