开头就直接进入主题。这几年AIDD人工智能药物发现与设计的热度一路走高隔三差五就有读者问我同一个问题想入这一行机器学习、深度学习到底该怎么学怎么从一堆论文和开源代码里走出来真正把模型用在小分子研究上说实话这类问题比单纯问“某个模型怎么跑通”更有价值因为很多人在教程里绕圈子学了一堆概念却不知道它们分别对应药物发现里的哪个环节。这篇文章就是我对AIDD中机器学习和深度学习应用的一次完整复盘。不会局限于某个具体模型而是把整个领域从底层逻辑到实操链路理一遍传统药物研发卡在哪里、AI为什么能切入、不同数据形态该选什么算法、PyTorch怎么落地以及零基础要注意哪些坑。无论你是药学背景想补算法还是计算机背景想转医药这篇文章应该都能帮你建立一张清晰的地图。1. AIDD到底在解决什么问题传统药物研发的痛点与AI切入点1.1 传统流程为什么慢、为什么贵做药不是做App一个分子从合成到上市行业公认要花10到15年平均成本超过10亿美元。这个数字背后是一连串的失败环节先要从海量化合物里找“苗头化合物”再优化成“先导化合物”然后做动物实验、临床试验任何一个环节出问题都可能前功尽弃。问题最严重的阶段往往在最前端——你真的不知道哪个分子值得做下去。传统方法高度依赖经验和运气。药物化学家基于已有的构效关系凭直觉设计一系列类似物再逐一合成、测活性。一轮下来少则几个月多则一两年。更麻烦的是就算某个分子对靶点有活性它还可能因为溶解度差、毒性高、代谢太快而直接出局。每一项性质都需要单独做实验成本呈指数上升。AIDD想做的就是把这些“靠天吃饭”的环节变成“算出来的结果”。用一个不恰当的比方传统药物设计像在没有地图的城市里一条街一条街地找餐厅AI相当于先给你看卫星图和用户点评帮你把值得去的几条街圈出来再用导航带你去到门口。它不能保证你一定吃到满意的菜但能把搜索空间缩小几个数量级。1.2 AI切入的三个维度性质预测、分子生成、机制理解我在看这个领域的论文和应用案例时习惯把AI在药物发现里的角色分成三块目标各不相同。第一类是预测这也是目前最成熟、落地最好的部分。给模型一个分子结构让它输出这个分子的活性值、毒性等级、渗透性、清除率等性质。本质上把“实验测定”部分替换成“计算预估”大大降低排雷成本。比如QSAR建模几十年来从传统统计方法一路进化到深度学习核心目标一直没变用已知分子的性质去预测未知分子。第二类是分子生成英文常叫generative molecule design。模型学习已有的活性分子分布然后生成大量全新的、具有类似活性的分子结构。这一块这两年非常火尤其是基于变分自编码器VAE、生成对抗网络GAN、扩散模型的框架层出不穷。它的价值在于主动给化学家出主意而不是等着化学家设计好分子然后交给模型打分数。第三类是机制理解。通过注意力权重分析、可解释性方法模型不光给出预测结果还能反过来告诉研究者哪些原子、哪些基团对活性贡献最大。这种信息虽然不能直接替代实验验证但经常能给药物化学家提供新的设计灵感也让整个AI流程更容易被信任。这里要泼一盆冷水很多人觉得AI做药就是输入一个疾病靶点哗啦一下输出一个可以直接上临床的分子这是不可能的。AI擅长的是把“候选空间”收窄把“概率”提供出来最终的决策和验证永远离不开湿实验。如果你抱着“学完AIDD就能纯靠计算出药”的预期我建议你趁早调整。2. 机器学习在药物发现里的分工边界QSAR建模与ADMET预测2.1 回归与分类活性预测和毒性筛选的两副面孔传统机器学习在AIDD里最有代表性的应用就是QSAR定量构效关系。这项工作看起来很简单收集一批化合物的结构描述符和实验数据训练模型学习二者之间的关系然后用它预测没有实验数据的新化合物。但真正上手之后你会发现里面的门道比想象中多得多。首先要分清任务类型。预测IC50值、Ki值这类连续数值属于回归任务模型输出一个实数评估指标看RMSE、R²。预测一个化合物有没有毒性、是不是抑制剂属于分类任务模型输出概率评估指标看AUC、准确率、F1分数。很多初学者一开始就犯糊涂拿分类的损失函数去训回归模型结果预测值都在0到1之间根本用不了。更隐蔽的问题在于数据不平衡。药物研发这种场景活性分子永远是少数大多数候选化合物都没什么用。如果你拿一个只有5%正样本的数据集直接训练模型很容易学成“全猜负样本”的懒汉准确率还能高达95%实际上手里的正样本一个没找着。这时候要么用AUC、Precision-Recall曲线来评估要么在训练中对少数类过采样要么对不同类别加权损失。2.2 特征工程传统ML的核心命门深度学习之所以能后来居上很大程度是因为它不再那么依赖手工特征。但在传统机器学习里特征好不好基本决定了模型的天花板。做QSAR时用什么特征直接影响预测精度和可解释性。最常见的特征是分子描述符比如分子量、logP脂水分配系数、氢键供体受体数量、拓扑极性表面积等。这些是化学家几十年总结出来的经验性数值用RDKit一行代码就能算几百个。优点是计算快、含义明确缺点是丢失了大量三维结构和电子环境信息。另一类特征是分子指纹最经典的是ECFP扩展连通性指纹。它把分子切成一个个以原子为中心的圆形子结构再哈希成一串固定长度的二进制向量。指纹本身不直观但它编码了分子局部的拓扑环境用传统机器学习做活性和毒性预测的表现通常比简单描述符好一大截。实操中我给的建议是先用RDKit批量计算描述符和指纹然后做一个特征相关性分析和重要性排序把那些和预测目标几乎无关的特征剔除掉。不要无脑堆特征特征数量超过样本量之后很容易过拟合。有一段时间我给一个只有200个化合物的数据集做毒性预测一开始堆了200多个描述符XGBoost训练出来训练集AUC接近1测试集只有0.6怎么看都像是随机猜。后来把特征砍到十几个保留与毒性机制相关的部分测试集反而升到了0.72。2.3 经典算法选型RF、XGBoost、SVM在AIDD中的应用场景聊到算法本身AIDD初学者通常会有个误解既然深度学习那么厉害是不是直接用神经网络就行现实是在很多中小规模数据集几百到几千个分子上树模型依然能打得很漂亮。随机森林RF对分子指纹和描述符的建模非常稳训练快、对异常值不敏感适合做初版的基线模型。支持向量机SVM在小样本、高维特征场景下依然有优势配合合适的核函数能抓一些非线性关系但调参相对麻烦而且大规模数据下速度堪忧。XGBoost、LightGBM这类梯度提升树近年在药物性质预测上的表现被越来越多人认可它们对特征交互的建模能力比RF更强还能直接输出特征重要性方便后续做分子碎片分析。我说一个比较实用性的选择逻辑如果样本量小于1000优先试RF或XGBoost如果样本量达到上万或者数据是图像、图结构、序列这类非结构化格式再上深度模型。这个原则虽然粗糙但能帮你少走很多弯路。另一个经验是要做适当的超参数搜索我在做ADMET预测时用网格搜索调XGBoost的n_estimators、max_depth和learning_rate预测精度提升了大概5%代价只是多等了几小时还是很值的。3. 深度学习架构选型CNN、RNN、GNN、Transformer各管哪一段3.1 数据形态决定了模型架构先看分子怎么表示深度学习在AIDD里能做的事情比传统ML多得多尤其是分子生成和图像类预测。但很多人在这一层会卡住面对CNN、RNN、GNN、Transformer这些名词不知道该学哪个、该用哪个。我的判断标准很简单——先看数据形态再选模型架构。小分子数据最常见的表示方式有三种一维的SMILES字符串、二维的分子图原子和化学键、三维的构象结构。数据是什么样子模型就用什么样子。这就像做计算机视觉必须处理像素网格做语音必须处理时序波形分子也是一样。序列数据天然适合RNN/Transformer图结构天然适合GNN网格化或体素化数据可以上CNN。要是你拿着一堆SMILES硬塞给GNN还得先做一番结构解析这本身就是在绕远路。3.2 CNN为什么能处理分子图像和3D构象CNN在药物发现里的应用不像在图像识别里那么显眼但实际场景也不少。一种是基于2D分子图渲染成的图像做识别相当于把分子画成图片再让CNN去分类另一种是把分子周围的三维空间划分成体素格子比如把蛋白质结合口袋区域栅格化然后用3D CNN判断配体能不能在这里结合。后面这种属于结构虚拟筛选计算量很大但信息也最完整。深度学习里常说的“目标检测”方法比如Faster R-CNN、YOLO在药物发现场景中其实不太常用但在细胞影像分析、药物筛选高内涵成像领域有应用——通过图像自动识别细胞形态变化判断药物处理是否有效。如果你在热搜里看到“深度学习的目标检测方法介绍”理解成通用视觉技术就可以它的方法论能迁移到菌落计数、细胞表型分析等生物医学任务上。3.3 RNN/LSTM与SMILES序列生成从头设计分子的老牌路线RNN、LSTM这类序列模型在AIDD中的切入点是SMILES。SMILES是用ASCII字符表示分子结构的语法规则CC(O)OC1CCCCC1C(O)O这类字符串看上去乱糟糟但模型可以把每个字符当成一个token学习字符序列的联合概率分布。训练一个基于LSTM的语言模型让它学会已有活性分子的SMILES规律然后采样生成新的字符序列就能自动输出候选分子。这条路线有一个很经典的问题生成的SMILES可能完全不合语法序列里出现无法配对的中括号或环标记格式跑偏就无法还原成分子结构了。解决思路也很多比如用强化学习加入“合法性奖励”或者用编码器-解码器结构约束隐空间保证解码出来的序列基本合法。我自己用过一种做法是先用大量无标签分子预训练LSTM语言模型再拿少量活性分子做微调生成结构的合法率能到90%以上。不过注意合法不等于可合成更不等于有活性后边的坎还多着呢。3.4 GNN把分子当作图来学习GNN图神经网络是目前AIDD研究中最“正统”的方向之一因为它和化学家思维天然一致。分子结构通过原子和化学键连起来化学家眼里分子就是一张有节点和边的图。GNN要做的是通过邻居聚合机制把每个原子周围的结构信息层层传递、更新最终得到一个能代表整个分子的向量graph embedding。消息传递机制是GNN的核心每个原子会吸收邻居原子的特征再加权和更新自己的表征经过若干层之后中心原子的向量里就蕴含了多跳邻居的信息有点像“每个人都打听一下朋友的朋友最近在干什么”。再通过池化层把所有原子向量汇总成分子向量用来做性质预测或分类。GNN在预测水溶性、血脑屏障透过性、药物相互作用等任务上近几年的表现普遍优于传统指纹加树模型的组合。GNN最大的痛点是训练所需的数据量、调参成本和计算资源都比传统模型高。你的数据集如果只有几百个小分子GNN很容易过拟合反而不如XGBoost加ECFP指纹稳。这里给个建议适合自己的才是最好的GNN虽然是主流但别盲目追新先跑基线模型再决定要不要上GNN。3.5 Transformer与预训练分子模型新浪潮下的通用表示Transformer最早是为自然语言处理设计的但它的优势被AIDD领域很快挖掘出来了。SMILES本质上就是文本序列把分子当“句子”来学非常自然。更进一步的BERT风格预训练模型比如ChemBERTa、MolBERT会用海量无标记分子做掩码语言建模学出每个分子丰富的向量表示再在下游活性、毒性等任务上做微调。我用Transformer做过的直观体验是它的表征能力确实强尤其在数据集较大的时候效果明显胜过从头训练的GNN或传统指纹模型。但代价也很具体——显存占用高、训练时间长自己从零预训练一个分子Transformer并不是个人电脑能轻松跑完的事。好在现在有很多开源预训练权重你完全可以站在巨人肩膀上只做下游微调。对于没有充足GPU资源的新手我的建议是优先用这些现成的分子表示模型而不是一上来就自己训练一个。下表做一个粗线条的模型选型总结方便读者建立直觉判断。数据形态适用模型典型任务适合数据集规模分子描述符/指纹RF、XGBoost、SVM活性、ADMET预测数百到数千SMILES序列RNN/LSTM、Transformer分子生成、性质预测数千以上分子图GNN性质预测、相互作用预测数千以上3D体素结构3D CNN、等变网络结合模式预测、虚拟筛选数千及以上细胞影像CNN表型筛选需要大量标注4. 分子表征方式模型的起点决定预测上限4.1 一维SMILES序列方便但存在硬伤SMILES对计算机来说非常友好一个字符串就搞定全部结构信息也特别适合用循环神经网络或Transformer建模。但作为表征它有几个天生的硬伤。首先同一个分子可以有多个等价SMILES写法直接拿字符串当特征完全等价的两个分子可能被模型当成不同输入白白增加学习负担。其次SMILES的语法很脆弱训练时哪怕生成一个字符出错都能让整个分子非规范化这在分子生成任务里尤其致命。现在做序列模型的人一般会加一步规范化把SMILES转成原子顺序唯一的规范SMILES或者用RDKit洗数据去掉盐、中和电荷、统一芳香性写法。甚至有的工作会做一个“augmentation”把每个分子的多个等价的SMILES都喂给模型相当于数据增强。哪一个策略更好没有绝对答案但至少你要意识到SMILES并不是“无损的分子表示”它只是分子信息在文本层面的一种投影。4.2 二维指纹与分子图各自擅长不同抽象层次二维层面有两套主流表征方式分子指纹和分子图。指纹的本质是把分子结构哈希成固定维度的二进制或计数向量它表达的核心是“这个分子有哪些原子环境”。指纹计算极快、占用空间小、也能配合传统机器学习直接使用立竿见影。缺点是信息压缩严重它难以保留完整拓扑细节更无法精确还原分子的三维结构和电子状态。分子图保留了完整的拓扑结构每个原子是节点、化学键是边。GNN正是从这种表征里提取特征。相比指纹图的表达能力更强能够学习到分子中比较复杂的结构模式比如某个官能团与另一个官能团相隔两条键的协同效应。但图和指纹不是竞争关系实践中挺多人会把图神经网络学到的向量和ECFP指纹拼接起来融合不同抽象层级的信息效果往往优于只用其中之一。4.3 三维构象与立体信息信息多但成本也高药物分子与靶点的结合本质上是三维空间里的分子识别过程所以三维信息理论上最贴近真实机制。把分子嵌入蛋白口袋计算接触面积、氢键、疏水作用等几何特征这一类基于结构的方法在虚拟筛选中一直很受重视。深度学习方法也可以直接处理分子构象栅格化的体素数据让模型学习空间特征。但三维方法有个绕不开的问题化合物那么多构象该用哪一个一个分子在生理环境中往往存在多个低能构象选错构象等于是给模型喂错误标签。此外三维描述子和卷积计算比一维、二维特征贵得多在大规模筛选时开销非常大。我的建议是做高通量预筛选可以用一维或二维表征圈定一小批候选后再做分子对接或三维卷积精细打分。4.4 表征选择的实战建议结合我的项目经验给你一条可直接使用的选择路线。做中小规模QSAR或ADMET预测先用RDKit计算ECFP4指纹和经典描述符跑一版XGBoost基线这个模型大概率能给你一个比较不错的起点。想要再进一步把分子图神经网络加进来做第二种模型然后做模型融合。如果你在面临的数据量非常庞大且包含大量无标签分子可以考虑预训练的Transformer模型直接抽取分子向量再做下游训练。做分子生成时表征选择更加关键。基于VAE或扩散模型的框架通常需要SMILES序列或3D坐标作为生成目标。这类模型的难点不只是“生成合法结构”还要保证生成出的分子具有类药性、可合成性。我的一个习惯是每当模型生成一批分子马上用RDKit做一遍结构清洗和性质过滤把分子量、logP、可旋转键数控制在类药范围再用合成可及性评分SA score筛一遍。这样从源头上过滤掉大多数垃圾分子后续人工审查压力小很多。5. PyTorch实战从环境配置到AIDD模型的完整链路5.1 环境搭建中最容易被忽略的坑再炫酷的算法第一步都是环境。很多新手最大的障碍不是模型难写而是连环境都跑不起来。PyTorch的安装本身不算难但有几个细节需要特别注意。第一是CUDA和PyTorch版本匹配。直接在官网默认命令装PyTorch往往会装上适合你机器的最新版但你的显卡驱动不一定兼容。我踩过这样的坑明明装好了import torch也能通过但一执行CUDA操作就报错说driver太老。解决方法是先跑nvidia-smi查看CUDA版本再去PyTorch官网选对应的安装命令。机器学习服务器搭建也是一样的道理在有多个用户、多张显卡的实验室环境里最好用conda为每个项目单独建环境避免依赖冲突互相污染。第二是conda镜像和pip源的配置。在国内网络环境下直接从官方源下载PyTorch安装包可能很慢甚至经常断。用清华大学、阿里云的pip源可以大幅提速但有一个细节要注意PyTorch本身的安装包会区分CPU版和GPU版如果直接从默认PyTorch源安装通常会自动下载适配CUDA的版本配置不对就会多下一个很大的包然后又在运行时找不到动态库。最稳妥的做法是明确指定PyTorch索引源比如用pytorch的官方extra index。整套配置看起来琐碎但把这些搞定以后后续几十个小时都是省下来的。5.2 数据预处理、划分与增强决定模型上限的关键一步环境只是地基数据才是真正的胜负手。药物数据经常让人头疼来源不同导致的数据格式不统一、数据缺失严重、正负样本比例失衡。所以在建模之前花大量时间做数据清洗是应该的。我的常规流程包含四步。第一步是结构标准化用RDKit统一键级、中和电荷、去除盐、消除立体化学歧义。第二步是去重和冲突检测同一个分子在不同文献里可能给出不一样的活性值遇到这种情况我的做法是把来源更可信或重复次数更多的实验值保留下来实在冲突大的直接删除。第三步是分布分析看目标变量的分布是否偏态IC50这类数据跨度很大训练前最好做log变换否则模型容易被几个极大值带偏。第四步是划分数据集不能简单随机划分否则同一个骨架的分子可能同时出现在训练集和测试集导致评估结果虚高。比较严谨的做法是基于分子骨架做scaffold split保证测试集分子和训练集分子结构差异更大这样评估才更接近真实情况。数据增强方面SMILES层面可以做枚举比如用RDKit把一个分子随机生成多种SMILES写法一定程度上增加多样性。分子图层面可以做原子随机扰动或边删除但要注意扰动幅度不能破坏分子的基本结构。感受下这个流程原始数据假设来10000个分子清洗后剩下8500个valid标注占6000个再按骨架划分出4800个train、1200个valid最后真正用来学习的量其实不多。这就是AIDD的真实状态——数据的稀缺性远超你的想象。5.3 一个最小可复现的分子性质预测Demo为了让你有一个整体感知我在这里给一个用图神经网络做水溶性预测的最小示例。模型十分简单但流程完整适合作为AIDD的第一个跑通项目。import torch import torch.nn.functional as F from torch_geometric.nn import GCNConv, global_mean_pool from torch_geometric.datasets import MoleculeNet from torch_geometric.loader import DataLoader class MoleculeGCN(torch.nn.Module): def __init__(self, hidden_dim128): super().__init__() self.conv1 GCNConv(64, hidden_dim) self.conv2 GCNConv(hidden_dim, hidden_dim) self.fc torch.nn.Linear(hidden_dim, 1) def forward(self, data): x data.x.float() edge_index data.edge_index x F.relu(self.conv1(x, edge_index)) x F.relu(self.conv2(x, edge_index)) h_graph global_mean_pool(x, data.batch) return self.fc(h_graph).view(-1) dataset MoleculeNet(root./data, nameESOL) # 建议按骨架划分这里为了简单起见直接随机划分 train_ratio 0.8 split int(len(dataset) * train_ratio) train_data dataset[:split] test_data dataset[split:] train_loader DataLoader(train_data, batch_size64, shuffleTrue) test_loader DataLoader(test_data, batch_size64) model MoleculeGCN() optimizer torch.optim.Adam(model.parameters(), lr1e-3) loss_fn torch.nn.MSELoss() for epoch in range(50): model.train() total_loss 0 for batch in train_loader: optimizer.zero_grad() pred model(batch) loss loss_fn(pred, batch.y.float()) loss.backward() optimizer.step() total_loss loss.item() if epoch % 10 0: print(fepoch {epoch}, loss {total_loss / len(train_loader):.4f})这个Demo看起来简单但已经把“分子图数据加载、GNN消息传递、批量训练、回归评估”的核心流程走通了。第一次跑通后你可以试着把GCN换成GraphSAGE、GAT观察不同聚合方式对ESOL数据集预测精度的影响。替换模型并对比测试集RMSE的这一步是我认为从“入门跑通”到“理解原理”之间最重要的一道坎。另外要补充一句不是只有GNN能做这件事。你完全可以用RDKit算出几百个分子描述符然后用sklearn里的随机森林预测logS模型几秒钟就训完效果可能也相当不错。深度模型在这个Demo里的优势更多是提供一个可以扩展和学习的框架。5.4 训练调参的几个实操要点模型能跑不代表好用有几个痛点几乎所有人都会遇到。过拟合是AIDD里最普遍的烦恼。分子数据集通常小深度模型参数多非常容易把训练集背下来。缓解手段不外乎加Dropout、做早停early stopping、用权重衰减、减小模型容量。我的经验是GNN里的dropout不要一开始就设很大先从0.1到0.2试起配合验证集上的早停往往比盲目加大正则化更有效。数据增强对提高泛化能力非常关键尤其SMILES枚举往往只需把训练数据扩一倍测试集指标就能提1到2个百分点。学习率设置也值得重点说。AIDD模型训练中的一个常见现象是loss在训练初期下降很快但之后震荡不止甚至越过最优区间。这种时候不要太着急改模型结构先从学习率入手试试cosine annealing或ReduceLROnPlateau损失曲线通常会变得稳定很多。看我自己的实践经验把初始学习率从1e-3降到1e-4再配合warmup不少任务的最终效果能稳压原方案一截。还有一个经常被忽略的是数据标准化。回归任务中活性值如果跨了3到4个数量级直接拿MSE当损失函数模型会把绝大多数精力用在拟合大数值样本上小数值样本基本被放弃。像IC50等指标先做log变换再预测已经是这个领域事实上的标准做法。预测完再指数还原既不影响评估也避免了训练被极值主导。如果你刚开始用PyTorch做药物模型建议每次训练完都记录三样东西训练损失、验证损失、测试集指标。不要只关注测试集曲线训练与验证损失的差距才是判断是否过拟合、是否欠拟合最直接的依据。还有一些可视化工具比如tensorboard或者wandb养成记录习惯对之后的项目会有很大帮助。6. 从入门到实战的学习路线图课程、资源与避坑思考6.1 底子打在哪里数学、机器学习、深度学习想进入AIDD这个方向第一步不是上来就刷“深度学习药物发现”的论文而是先把机器学习、深度学习的底子打好。我观察到不少转行过来的学生第一个项目就尝试生成分子结果连训练集、验证集划分的意义都没搞清楚数据预处理也是一团乱麻。这些基本概念不过关后面的工作难免一路踩坑。数学方面线性代数和概率论是重点。梯度下降、矩阵求逆、特征分解这些要理解到位概率统计帮你看懂损失函数和模型不确定性。微积分的要求反而不算太高会求导、理解链式法则基本够用。李宏毅老师的机器学习课程一直是口碑很好的入门选择讲解形象、代码量适中。台大的林轩田老师课程偏理论一些如果想进一步扎实功底也可以去啃。深度学习方面《动手学深度学习》是我个人强烈推荐的它直接告诉你“每个概念怎么在代码里实现”比纯粹看理论过瘾得多。具体到AIDD这个方向吴恩达的机器学习课程用来建立整体框架没问题但不要停留在教学层面的练习题。真正拉开差距的是你能不能用RDKit处理分子数据能不能把PyTorch和PyTorch Geometric配合起来训练一个真实数据集上的模型能不能看懂一篇药物发现论文里的方法部分。Framework可以快速上手的反而领域知识和建模能力需要反复积累。6.2 学习资源和开源工具推荐讲到工具链绕不开RDKit和PyTorch。RDKit是化学信息学里最常用的Python库处理SMILES、计算描述符和指纹、做结构归一化靠它一个库就能覆盖大部分日常操作。PyTorch是深度学习框架的首选生态完善调试体验好。如果想做图神经网络PyTorch GeometricPyG是事实上的标准内置了大量GNN层和分子数据集API。MoleculeNet里集合了ESOL、BBBP、HIV、MUTAG等多个公开基准数据集非常适合学习和跑实验。DeepChem也是一个值得说的库它把分子数据处理、模型构建、数据集拆分这些流程封装得比较完整很适合初学者做快速原型验证。但我的建议是别过分依赖DeepChem的高层API至少有一次你要自己动手从零实现一遍数据加载和模型训练才能真正理解每一步发生了什么。总是调库容易让能力停留在“会用”而不是“理解”。数据集方面除了MoleculeNet还有ChEMBL、PubChem这些大规模公共数据库做预训练或者查找已知活性数据都很方便。做药物相互作用预测可以看DrugBank做溶剂化能预测可以看FreeSolv。数据资源从来不是瓶颈怎么清洗、怎么构建训练集才是真正见功夫的地方。6.3 真实踩坑记录与我的建议最后分享几个我亲身踩过、也比较有代表性的坑希望能帮你少走弯路。第一个坑是不重视数据泄漏。最早我做过一个药物相互作用预测项目按化合物ID把数据集随机切分模型AUC做到了0.95我当时还很兴奋。后来发现同一个药物的多个记录被同时分到训练集和测试集模型本质上记住了分子本身而不是学会了预测相互作用。改用药物对层面划分AUC立刻掉到0.8以下这才是一个更能反映泛化能力的数字。在AIDD里请时刻问自己我的划分方式真的让测试集模拟了“从没见过的新分子”吗第二个坑是过于迷信公开榜单指标。有些公开数据集经过多年演化测试集已经被很多模型暴力调参刷过新模型在上面的一点提升未必说明它的真实能力更强。我更关心模型在内部留出集、外部验证集以及迁移到另一个数据集上的表现。如果你的模型在MoleculeNet的某个榜上刷得很高但在自己项目的数据集上一塌糊涂那多半是过拟合了公开数据集的分布。第三个坑是不够重视分子的可合成性。早期训练一个分子生成模型时我拿到的生成结果看起来结构多样但给药物化学家一看有很多分子合成难度极高或者化学上根本不稳定。从那以后我养成了两条规矩每次生成后必须用SA score做可合成性过滤在有条件的情况下找做合成的同事快速评估一批结构。AI在这里是辅助决策工具而不是唯一的权威。第四个坑是环境配置漫不经心。有段时间我在实验室帮大家统一搭建深度学习环境发现多数人的问题都出在CUDA版本、conda环境和pip包版本的匹配上。建议你从一开始就建立一套整洁的环境管理习惯每个项目独立conda环境把关键依赖版本记录到requirements.txt或environment.yml里省得半年后自己都搞不清当时用的什么版本。说到底AIDD是一个高度交叉的领域。算法能力只是其中的一条腿化学直觉、数据处理能力、对湿实验流程的理解同样重要。不必追求一开始就把所有模型都学完先把一条最实用的路径走通——会处理分子数据、会跑Ethyl一个基线模型、会读论文中的方法、能设计并执行一个完整的预测流程你已经比绝大多数只看了几篇综述的人强很多了。保持动手的习惯好过对着课本规划一个宏大蓝图。