项目实战：一次真实的虚拟筛选课题

本文件用一个已完成的课题作为样本，复盘从「一个靶点」到「一份候选清单」的完整链路。 目的是让学习者知道：每一步在干什么、为什么这么做、哪些地方最容易出错。 涉及具体候选分子与未公开数据的部分已做脱敏处理，仅保留方法与流程。

一、任务设定

关键判断：如果只是想「试一遍流程」，笔记本就够了；如果要做课题组正式课题，务必把数据来源、版本、参数全部记录清楚，否则结果无法复现。

二、整条链路（七步）

靶点确定与结构下载
        ↓
活性数据获取与清洗（正/负样本定义）
        ↓
分子表征（指纹 + 描述符）
        ↓
模型训练与验证（交叉验证 + 分组留出）
        ↓
全库打分与排序
        ↓
分子对接复核
        ↓
候选清单与风险披露

三、每一步的坑（这一节最值钱）

3.1 数据泄漏

最容易犯、后果最严重。如果训练集里混进了待筛库的分子，模型对这些分子的打分就不是「预测」，而是「记忆」。

• 真实项目里做过样本增强（加入与已知活性分子结构相似的分子），这些增强样本全部来自筛选库，意味着库中这部分分子的打分会偏高；
• 正确做法：把这件事写进文档、逐分子披露受影响情况，而不是藏着；
• 也提醒：不要用「排除锚点后盲测 AUC」这类好看的数字替代真实泛化估计，两者不同源就不能混着引用。

3.2 泛化性能的口径

后两个数字如果差异很大，说明模型的真实泛化能力被高估了，必须如实写出来。

3.3 数据集划分

• 交叉验证要分层（保持正负比例）；
• 分组留出要按分子身份分组，同一种分子的不同盐型、不同记录不能跨训练/测试集，否则等于泄漏。

3.4 特征与标准化

• 不同描述符量纲差异极大（分子量几百、TPSA 几十），必须标准化；
• 优先用对离群值稳健的做法（如基于中位数与四分位距的标准化），普通标准化会被极端值带偏；
• 筛选库特征应现场从 SMILES 重建并与缓存逐元素比对，确保特征可追溯到分子本身。

3.5 对接的定位

• 对接是独立复核，不是训练特征。把对接分数塞回模型会引入循环论证；
• 对接结果非确定性（同参数两次运行可能有细微差异），要写清数量级而非绝对小数位；
• 对接框设错（口袋选偏）会让所有结果失效，务必先核对已知抑制剂的位置。

3.6 结果呈现

• 候选表至少要有：预测概率、对接结合能、理化性质（分子量、LogP 等）、来源与可获取性；
• 排名第一不等于最该做实验，概率与对接分数可能给出不同的排序，两者都要摆出来；
• 未做的验证（如分子动力学、体外活性）要明确标为「留待实验」，不能用计算分数暗示实验结果。

四、给新上手者的建议路径

1. 先小后大：先用一个化合物库的十几条分子跑通全流程，再上全库；
2. 每步存中间结果：原始数据、清洗后数据、特征矩阵、模型、打分表，全部落盘，能追溯；
3. 先跑官方示例：分子对接一定先把 AutoDock Vina 自带的官方示例跑通，再换自己的靶点；
4. 记录环境：Python 版本、包版本、命令，一样都别省，不然一周后自己都复现不了；
5. 不迷信 AI 与工具：任何工具的输出都要自己核对一遍输入是否合理。

五、可继续延伸的方向