4. 雷达图在药物化学中的应用场景归纳总结
聊了这么多雷达图的绘制和解读，咱们得回头看看这玩意儿到底在药物化学里头怎么落地。我这些年做项目，雷达图几乎是天天见，说它是我的“第二个笔记本”也不夸张。它不只是个花架子图表，更是一个高效的决策工具。
那具体有哪些场景呢？我归纳了以下几个核心方向，你看看是不是也是你常碰到的。
4.1 场景一：候选化合物的早期筛选
项目刚开始，手里可能握着几十上百个候选分子。一个个去读数值？那效率太低了。我习惯先把关键指标拉出来，比如活性（pIC50）、选择性、肝微粒体稳定性、Caco-2 渗透性、水溶性，画成雷达图一扫。
选点思路：
- 看面积：多属性平衡好的分子，图形面积通常比较大且饱满。
- 找单属性洼地：某个维度分值特别低（比如水溶性太差），这个分子大概率后续修起来很费劲。
4.2 场景二：先导化合物优化过程监控
这是雷达图最核心的用法。你从先导出发，做了几轮结构修饰，到底优化了什么，牺牲了什么？雷达图能给你最直观的答案。
我通常会把优化前的分子设为一圈“基准线”，然后优化后的新分子叠加上去。看一眼就知道了：
- 活性那条线是不是往外扩了？
- 选择性是不是往里缩了？
- 代谢稳定性有没有跟着降？
常见优化路径雷达图对比：
| 维度 | 先导（Lead） | 优化后（Optimized） | 变化趋势 |
|---|---|---|---|
| LogD | 3.0 | 2.2 | ✓ 改善 |
| 水溶性 (μM) | 15 | 80 | ✓ 改善 |
| 肝微粒体稳定性 (T₁/₂, min) | 8 | 35 | ✓ 改善 |
| Caco-2 渗透性 (×10⁻⁶ cm/s) | 12 | 18 | ✓ 改善 |
| hERG 安全性 (IC₅₀, μM) | 1.5 | 0.9 | ✗ 变差 |
4.3 场景三：成药性评估与风险预警
分子做到差不多时候，该不该推进到下一个阶段？雷达图能辅助做“成药性评分”。我们通常将理想分子的各项属性归一化到0-1之间，画一个“标准靶心”。
参考指标范围：
- 活性：pIC₅₀ ≥ 7.0 → 1.0；pIC₅₀ ≤ 5.0 → 0.0
- LogD：1 ~ 3 → 1.0；<0 或 >5 → 0.0
- 分子量：≤ 450 → 1.0；≥ 600 → 0.0
- 氢键供体：≤ 3 → 1.0；≥ 7 → 0.0
- TPSA：20 ~ 120 Ų → 1.0；超出范围 → 逐渐递减
归一化之后，将测试分子的分值填进去。如果某个维度低于0.5，那就是需要你警惕的红区。
4.4 场景四：系列化合物的横向对比
如果一个系列做了几十个化合物，怎么快速选出最有潜力的几个？我的做法是先画出每个化合物的雷达图，再按照结构骨架分组，同一组内的图放在一起对比。
你会发现：
- 某些取代基对水溶性和渗透性影响很大，但活性基本不变。
- 某些核心骨架会整体拉动稳定性。
- 某些手性中心翻转后，选择性发生了逆转。
这些模式用表格看不出来，但用雷达图一看，图形会“说话”。
4.5 知识体系总览
讲了这么多，咱们把整个知识结构梳理一下。我画了一张图，把雷达图在药物化学里的应用场景串起来。
这张图你看懂了吗？从中心节点“先导化合物优化”出发，向四个核心场景发散，每个场景都是在不同的项目阶段发挥作用。场景二到场景四是递进关系——你先用雷达图筛选出苗头分子，然后在优化阶段持续监控，最后再做一个全面的成药性评估。场景四则像是一个回溯分析，帮你总结构效关系规律。
4.6 一个小彩蛋：自动生成分析脚本
每次做几十个分子的多属性评估，手动一个一个点开文件太累了。后来我写了个小脚本，能批量读取数据并一次性生成对比雷达图矩阵。核心代码如下，你可以参考：
import pandas as pd
import plotly.express as px
from plotly.subplots import make_subplots
import plotly.graph_objects as go
def batch_radar_matrix(data_path, labels, columns):
"""
批量生成化合物雷达图矩阵
:param data_path: CSV文件路径
:param labels: 化合物ID列名
:param columns: 需要显示的属性列名列表
"""
df = pd.read_csv(data_path)
fig = make_subplots(rows=5, cols=5, specs=[[{'type': 'polar'}]*5]*5)
for i in range(min(len(df), 25)):
row = i // 5 + 1
col = i % 5 + 1
comp = df.iloc[i]
fig.add_trace(go.Scatterpolar(
r=[comp[col] for col in columns],
theta=columns,
fill='toself',
name=comp[labels]
), row=row, col=col)
fig.update_layout(height=1200, width=1200, showlegend=False)
return fig