📚 课程目录第1章课程简介与背景

1. 课程简介与背景归纳

大家好，欢迎来到这门课。我先做个自我介绍。我在药物发现和机器学习交叉领域摸爬滚打了十多年。说白了，就是把“算力”和“化学”这两件看似不相干的事硬凑在一起。

这门课不讲虚的。我们直接聚焦一个核心问题：蛋白和配体之间到底怎么“对话”？ 这种对话，在计算机里就是特征。特征学好了，药物筛选效率能翻好几倍。

1.1 药物发现的核心痛点

传统的药物发现，流程长、成本高、失败率高。一个新药从研发到上市，平均要花10亿美金，耗时10-15年。为什么会这样？

我遇到过很多次这样的情况：一个化合物在体外实验效果极好，到了动物体内却完全失效。这就是典型的“筛选效率”问题。候选分子太多，但能走下去的太少。

    核心矛盾： 理论上有10^60种类药小分子，但人类的筛选能力极其有限。我们需要一个“过滤器”，把真正有潜力的分子快速挑出来。

传统的高通量筛选（HTS）虽然快，但成本极高，而且对新颖骨架的发现能力有限。虚拟筛选（Virtual Screening）则严重依赖分子特征的质量。特征提取不好，模型就是“瞎子摸象”。

1.2 机器学习为什么能介入？

我个人习惯把机器学习看作一个“高级翻译官”。它把化学家、生物学家熟悉的分子结构、氨基酸序列，翻译成计算机能懂的数学语言——特征向量。

你想想看，一个分子有成千上万个原子。每个原子又有不同的电荷、半径、杂化方式。这些信息怎么变成一列数字？这就是特征工程。

传统方法： 指纹图谱。用一串二进制位表示分子有或没有某种子结构。简单，但丢失了全局信息。
深度学习方法： 图神经网络（GNN）。把原子看成节点，化学键看成边。直接在拓扑结构上学习。
物理基方法： 对接打分。模拟配体放进蛋白口袋的物理过程。计算量大，但可解释性强。

近年来，大家发现单一特征不够用。把不同类型的特征融合起来，效果反而更好。这就像听交响乐，你不能只听小提琴，也得听大提琴和铜管。

1.3 这门课想解决什么问题？

这门课的核心，就是教你如何提取、选择、融合蛋白和配体的特征，最终做出靠谱的预测模型。

别看市面上公开的数据集很多。真实工业场景里的数据，脏、乱、不平衡。我刚才提到的那些方法，在干净的数据上表现很好，但一遇到实际问题就露馅。我曾经在一个项目里，用公开的PDBbind数据训练的模型，准确率有0.85。一换到公司内部数据，直接降到0.6。为什么？数据分布不同，特征空间变了。

提示： 不要迷信公开数据集上的SOTA。你的模型最终要对你的数据负责。特征学习的根本目的，是找到数据中不变的本质规律。

课程会覆盖以下关键主题：

分子表示基础：从SMILES到三维构象，从一维序列到图结构。
蛋白特征提取：序列特征、结构特征、进化信息（PSSM，MSA）。
配体特征提取：二维指纹、三维药效团、图神经网络。
交互特征建模：接触矩阵、相互作用指纹、Attention机制。
实战案例：从数据准备、特征工程到模型训练的完整pipeline。

1.4 课程的整体知识体系

下面这张图，可以帮你快速理解我们课程的知识架构。它像一个漏斗：从原始数据开始，经过层层特征提取和融合，最终沉淀到具体应用。

学习建议： 初学者建议先重点掌握配体特征（ECFP指纹）和蛋白特征（PSSM矩阵）。这两个是后面所有复杂模型的基础。我当年也是从这两个模块入门的。

1.5 谁应该学这门课？

这门课面向：

计算化学/药物化学背景的研究生：想系统学习机器学习在分子设计中的应用。
机器学习/AI从业者：想进入制药或生物科技领域，了解化学数据的处理技巧。
制药公司的研发工程师：工作中遇到实际筛选、先导化合物优化问题，想提升效率。

我不建议完全零基础的人直接读。最好有一点点Python基础，知道numpy、pandas怎么用。化学背景不一定需要，但我会在课程中穿插一些必要的化学概念解释。

1.6 预备知识与工具

为了顺利跟上课程，你需要配置以下环境：

# Python 3.8+
pip install rdkit-pypi numpy pandas scikit-learn matplotlib seaborn
# 分子处理库
pip install pandas torch-geometric dgl
# 蛋白处理相关
pip install biopython prody

注意： RDKit的安装经常出问题。我建议直接用conda：conda install -c rdkit rdkit。另外，如果你的GPU显存不够（小于8G），训练图神经网络时可能会内存溢出。建议先用CPU版本的PyTorch试试小模型。

1.7 本课程核心价值：为什么是特征学习？

我再说一个我的个人体会。很多项目失败，不是因为模型不够先进，而是因为特征没搞好。你用一个复杂的Transformer去处理SMILES，还不如一个简单的Morgan指纹加上一个XGBoost。为什么？数据量太小，特征维度太高，模型过拟合了。

特征学习的目的不是找“最花哨”的表示，而是找最本质、最鲁棒的表示。它决定了模型性能的天花板。这门课就是帮你把这个天花板抬高。

    记住这句话： In drug discovery, the first 90% of the work is feature engineering; the second 90% is debugging.

1.8 课程用到的数据和案例概览

为了保证学员动手效果，课程主要基于三个公开数据集：

数据集	大小	用途
PDBbind (v2020)	~19000个复合物	蛋白-配体亲和力回归预测
DUD-E / DEKOIS 2.0	约100个靶点	虚拟筛选（区分活性/非活性）
ZINC 15 子集	~100万分子	大规模虚拟筛选实战

这三个数据集各有特点。PDBbind结构质量高但数量少。DUD-E是经典的benchmark，但容易过拟合。ZINC数据量大，适合训练大规模预训练模型。

在后续章节中，我会手把手带大家处理这些数据，构建特征，训练模型。不仅仅是调包，我还会解释每个步骤背后的物理化学含义。

1.9 本章小结

这章算是一个开胃菜。我们聊了药物发现的痛点，点出了特征学习的核心地位，也梳理了整门课的知识地图。

说白了，这门课的目标非常直接：让你学会如何把蛋白和配体“喂”给机器学习模型，并且让模型真的能干活。