类别不平衡处理方法在蛋白配体中的应用 - 第2节

2.1 什么是类别不平衡？——先从一个真实案例说起

我记得刚入行那会儿，接手了公司一个激酶抑制剂的虚拟筛选项目。数据漂亮，模型也挺新，一跑结果，精确率95%，召回率也是95%。我当时心里还挺得意，觉得一次就做成了。结果领导看了一眼，问我：“你知道正样本和负样本比例是多少吗？”我翻了一下标签统计，当场就愣住了——活性化合物只有0.5%，非活性占了99.5%。

换句话说，模型只要学会“全判非活性”，就能拿99.5%的准确率。精确率和召回率双双95%，完全是假象。我那时才真正意识到，类别不平衡（Class Imbalance）这玩意儿，不是你在课本上看一条定义就能躲过去的。

所谓类别不平衡，说白了就是分类任务中，不同类别的样本数量差距悬殊。在药物发现里，活性分子和非活性分子的比例，经常是1:100甚至1:100000。拿这种数据直接训练，模型很快就被“多数类”带跑了——它觉得“多数类”就是世界的全部。

2.2 它对模型的影响有多大？

有些人觉得不平衡顶多是“精度下降”。我告诉你，远不止这么简单。它会在模型行为上引发三个非常隐蔽的问题。

2.2.1 模型变成“复读机”

大多数深度学习模型用的损失函数，比如交叉熵，默认给每个样本的权重是一样的。少数类在整个训练批里几乎没存在感，损失被多数类淹没。模型学来学去，最后只学会一个无脑策略：无脑输出多数类。

结果就是：

• 准确率看着很高（比如99%）
• 但少数类的召回率几乎为0
• 模型压根没有学到“活性”是什么，它只是复读机

我曾经在复现一个论文的蛋白-配体二分类模型时遇到过同样的事。论文声称AUC=0.97，我用相同的ROC曲线一算，确实差不多。可当我画出混淆矩阵，发现正样本的召回率只有3%。为什么？因为论文只报告了AUC，没告诉你实际召回率。这就是“复读机”掩耳盗铃的表现。

2.2.2 概率校准漂移

Sigmoid输出不再是真实的概率，而是一个极度偏向多数类的校准值。你设定阈值0.5，结果99.9%的样本都落在0.5以下，活性信号被平滑掉了。比如说，你原来希望“置信度>0.8的分子优先实验”，但因为校准偏移，0.8对应的是极低的可能性。

2.2.3 梯度被稀释

拿GNN（图神经网络）来举例吧，配体和蛋白构建的交互图里，假设一个batch里有100个复合物，其中只有2个是活性的。反向传播时，正样本梯度的力量很快就被负样本淹没了。模型更不敢更新关于“氢键、疏水口袋方向”的参数，因为这些特征在80%的非活性结合中也是常规存在。

2.3 典型场景：活性与非活性

先说最简单的二元场景——活性vs非活性。你手里有个激酶靶点PDB结构，配体数据库里既有已知活性配体，也有疑似非活性配体。标签怎么来？

• 实验标签： IC₅₀ < 1 μM 为活性；IC₅₀ > 10 μM 为非活性；中间值扔掉，避免“模糊区”
• 虚拟筛选标签： 对接打分、分子动力学结合自由能等输出结果，这本身带着噪声

无论哪种，活性样本收集的成本都太高。做一轮实验花的钱和精力，足够你收集成百上千的非活性分子。结果就是，活性永远是那个少数类。

2.4 典型场景：虚拟筛选

虚拟筛选（Virtual Screening, VS）是蛋白-配体发现中极典型的不平衡场景。你要做的事情是：从几百万个分子里找出大概率有活性的苗头分子。几千个分子用于训练，几百万个分子用于预测。

我记得去年做的一个VS项目，训练集里活性配体只有200个，非活性配体20万个，IR=1000。第一轮训练，模型直接瘫痪。用原始数据训练，预测结果几乎全是非活性。我尝试了过采样+权重调整组合，才把Top-50 Hits的真实活性率从0%拉到12%。

虚拟筛选场景下，不平衡带来的核心痛点是：

1. 正样本太稀缺，模型学不出足够泛化的活性模式
2. 候选库中有大量decoy（假阴性非活性），数量级悬殊导致假阳性爆炸
3. 评估很贵，你不能等全部预测做完才看效果，在早期就得了解不平衡问题的严重性

2.5 到底该怎么应对？一个简要框架

我先给你一个宏观路线图，后面章节会一个个拆解。这个框架是我在做化学信息学项目时，自己沉淀出来的三个层级方案。

2.6 小结：别忽视不平衡，也别被它吓住

类别不平衡不是bug，它是蛋白-配体数据的天然属性。你没法绕过它，但可以在理解它之后，从容应对。记住三个要点：

• 定义很直接： 正样本远少于负样本，IR >= 10就值得警惕
• 影响很隐蔽： 模型变复读机、概率偏移、梯度稀释，三种“慢性病”
• 场景很现实： 活性筛选和非活性筛选在虚拟筛选里几乎是永恒的不平衡冲突