4.1 靶标预测：给每个嫌疑人打分

4.1 靶标预测：给每个嫌疑人打分

本节摘要：靶标预测回答"综合所有档案，这个候选与这桩案子关联多大"。本节先盘点公共数据库这个证据总库，再讲监督与无监督两类打分框架的分工，最后实现一个可运行的加权打分器。它承接第 3 章的加权证据表，把人工审阅升级成全候选遍历；暗线推理与网络排序留到 4.2 与 4.3。

推理环节动手前先备料。本节要解决的是排序问题里最朴素的一层：把散落的档案折算成每个候选的分数——不做花哨的推理，只求打分过程透明、可复核。

打分之前先备料

靶标发现的公共数据资源可以按档案柜分类，做预测之前至少要知道每类柜子里放什么、边界在哪：

• 蛋白档案：序列与功能注释在 UniProt 一类知识库里；三维结构在 PDB 与结构预测数据库里（第 2 章结构勘查已用过）；组织表达在正常组织图谱（GTEx 一类）里。
• 疾病关联档案：GWAS 目录汇集人群关联位点；策展型疾病基因库收录 OMIM 一类有明确孟德尔遗传证据的基因；DisGeNET 一类整合库把文献与数据库的疾病-基因关联压成带证据数的索引。
• 药物与化学档案：ChEMBL 一类库收录化合物的活性测量（哪个分子对哪个靶标多少浓度起效），DrugBank 一类库收录已上市药物与其已知靶标——它们既是预测的训练数据，也是"药物证据"的来源。
• 平台型整合：Open Targets 一类平台把上述各柜按统一口径折分合成，等于把本节要讲的打分逻辑做成了公共服务——先用它的分数起步，再按自己项目的疾病特点重建打分，是常见且稳妥的路线。

备料的纪律只有一条：记录版本与日期。这些库都是活的，同一候选两年前的档案与今天的可能完全不同；不可复核的打分表，在立项评审里等同伪造。

两类打分框架的分工

监督框架适合"有标定答案、要泛化到新候选"的任务：拿一批已知疾病基因做正例、抽样做负例，训练分类器学习"致病基因长什么样"。它的威力在特征泛化——模型可能发现致病基因倾向于特定保守性、表达广度、复合物参与度的组合。它的命门也在这里：正负例的构造本身就是假设（罕见病基因的"样子"未必适用常见病），而且出名基因在文献数据里天然更"显眼"，模型容易学会"看出名"而不是"看出致病"。打分框架下的对抗手段是负例分层抽样、按证据类型拆特征、以及永不把文献共现单独当强特征。

无监督框架适合"没有可靠标定、找数据自身结构"的任务：相似度打分是代表——候选与已知疾病基因在序列、结构域、互作伙伴、表达模式上越相似，嫌疑越高（"同伙相似律"：以前科犯的画像圈新嫌疑人）。它不承诺因果，只承诺"物以类聚"这个朴素先验；在罕见病、新突发疾病这类正例稀缺的场景里，无监督路线常常是唯一可行起点。

两类框架的产出都是分数，拼装方式也一致：多路分数按权重合成总分。下面的演算实现一个透明版打分器——权重表与折分规则全部显式，便于按项目疾病调整。

# 靶标候选打分器：五路特征加权 -> 总分 -> 侦查动作分档
features = {
    #             遗传   疾病关联  表达特异  孤儿状态  安全线索
    #           （0-1 分，孤儿=家族冷门成员，安全线索=正常组织低表达）
    "候选M": [0.90, 0.70, 0.85, 0.40, 0.80],
    "候选T": [0.55, 0.80, 0.60, 0.30, 0.50],
    "候选L": [0.40, 0.45, 0.75, 0.60, 0.70],
    "候选W": [0.25, 0.35, 0.65, 0.20, 0.60],
}
WEIGHTS = {"遗传": 0.40, "疾病关联": 0.20, "表达特异": 0.20,
           "孤儿": 0.10, "安全": 0.10}
KEYS = list(WEIGHTS)

def score_and_triage(weights, threshold=0.60):
    ranked = []
    for name, vals in features.items():
        total = sum(v * weights[k] for v, k in zip(vals, KEYS))
        action = ("A 高优先侦查" if total >= threshold + 0.1 else
                  "B 常规侦查" if total >= threshold else
                  "C 归档观察")
        ranked.append((name, round(total, 3), action))
    return sorted(ranked, key=lambda r: -r[1])

for row in score_and_triage(WEIGHTS):
    print(row)
# 敏感性检查：把遗传权重压到 0.25、机制特征抬升，看榜首是否换人
ALT = {"遗传": 0.25, "疾病关联": 0.20, "表达特异": 0.30,
       "孤儿": 0.15, "安全": 0.10}
print("\n敏感性检查（权重重排）：")
for row in score_and_triage(ALT):
    print(row)
# 解读：榜首在两套权重下是否易主，决定了这张榜单敢不敢送进收网。
​

一个具体场景：新发传染病的冷启动

无监督打分最显示身手的场景是正例几乎为零的案子。新发传染病出现时，病毒蛋白与人体蛋白的互作图谱是唯一新数据，历史档案（哪些宿主基因在既往病毒感染里被反复劫持）可以折成先验分：参与内吞、膜融合、先天免疫的基因历来是病毒高发作案区，这类家族先验先给全体宿主基因打底分；再叠加病毒互作蛋白的伙伴网络与表达匹配（病毒嗜好的组织里这些基因是否表达），分数在几个小时内就能产出第一版嫌疑榜。穷尽精确建模是奢望，冷启动阶段要的是"把有限实验资源指对方向"的粗排序——这也是打分器与后面神经网络排序（4.3）的分工边界：数据多时后者上限更高，数据少时前者的透明与稳健更珍贵。

易错点：把数据可用性当证据强度

打分表里最常见的系统性偏差来自"哪个基因被研究得多"。文献丰度、注释完整度、已知互作数量都随出名程度增长，任何未加处理的特征都会给老面孔加分。纠偏动作有三个层面：特征层面拆开"证据"与"热度"（文献共现数量单独一列，永不与遗传证据混权）；样本层面在评估时按研究热度分层报告；产出层面给冷门高分候选标注"证据虽少但无反证"，避免排序的复利效应把冷门真凶永远压在榜底。

💡 关键直觉：打分器的产出不是排名，是"侦查资源配置建议"。榜首多配警力，榜尾归档，中段按证据类型分流——它是指令的依据，不是结论本身。

常用档案柜速查

这张表本身就是打分设计的路线图：特征从哪几柜取、每柜的噪声长什么样、谁的版本问题最致命。打分器翻车的事故报告里，一半以上能追溯到"把某柜的原始密度当成了特征"——比如拿文献词频当疾病关联强度，拿注释条数当功能重要度。备料的最后一道工序永远是问：这个数字在现实世界里是怎么产生的。

备料的常见疑问

平台整合分数能直接当立项依据吗？

能当起点，不能当依据。平台分数的权重是平台方的通用先验，对具体疾病可能系统性失真（罕见病证据稀薄处的分数几乎由文献热度决定）。正确用法：用平台分数圈定大盘、校对自己的打分器，重大立项决策必须用自己重建的、证据分级透明的分数。平台公开各路证据的原始分——这一层才是金矿，直接用总分等于把金矿当砂砾。

特征越多的模型越好吗？

不是。靶标预测的样本量（已知疾病基因数）撑不起高维特征，特征堆量只会把噪声拟合成模式。实践里的甜点位是十几到几十个特征，每个特征有明确的生物学或统计学理由；候选特征先用单变量与证据类型分组筛一遍，进模型的每个都要能被归因工具解释。模型选择上，梯度提升树一类的方法在这类中等规模、异质特征的数据上长期是最优性价比——深度模型的优势要到大规模同质数据（序列、图像）才兑现。

办案手记（要点回顾）

• 备料四柜：蛋白档案、疾病关联档案、药物化学档案、平台整合服务，版本日期必须记录；
• 监督框架要标定答案、擅长特征泛化，负例构造与文献热度偏差是它的命门；
• 无监督相似度打分靠"同伙相似律"，是正例稀缺场景的冷启动主力；
• 打分器要做到权重显式、过程可复核、换权重做敏感性检查；
• 热度偏差要在特征、评估、产出三个层面同时纠偏，冷门高分候选要特殊标注；
• 下一站 4.2：统计打分看不到的暗线，去知识图谱里找。