第6章 荐书引擎：QSAR 与 QSPR 建模

第 6 章 · 荐书引擎：QSAR 与 QSPR 建模

章节摘要：检索只能回答"像不像"，建模才能回答"多强"。本章把 QSAR（定量结构-活性关系）与 QSPR（定量结构-性质关系）的完整工作流走一遍：从带标签数据出发，经描述符与数据划分，到模型训练、严格验证与适用域圈定。本章的两条主线分别是方法阶梯（从汉施方程到三维场方法再到机器学习）与验证纪律（没有 Y-随机化与适用域的模型不配进项目会议）。学完本章，你能独立建一个经得起质询的活性预测模型。

学习目标

读完本章，你应当能够：

1. 说清 QSAR 四要素（数据、描述符、算法、验证）与一条龙工作流的先后依赖；
2. 解释汉施方程三项参数（疏水、电子、立体）的化学含义及其历史地位；
3. 概述 CoMFA 类三维定量构效关系的思路：分子对齐、网格场、偏最小二乘；
4. 用 scikit-learn 完成从描述符矩阵到活性预测的最小可运行建模流程；
5. 执行骨架划分、交叉验证与 Y-随机化三件套，识别过拟合与偶然相关；
6. 为模型圈定适用域，对域外预测给出醒目的"不可信"标记。

核心概念速览

模型的价值不在训练集分数，而在它敢不敢对域外分子说"我不知道"。

建模工作流是一个状态循环而非单向流水线：数据处于什么状态（第3章）、特征如何表示（第4章）、划分怎么设计（第5章的聚类派上用场），共同决定模型上限；验证与适用域则决定这个模型能不能被信任、被谁使用。方法在阶梯上攀升——汉施方程只用三项理化参数，机器学习吞下上百列描述符，图神经网络（第8章）甚至不要描述符——但验证纪律对每一层方法一视同仁。

子章节导航

6.1 建模工作流与经典方法——从汉施方程的三参数讲到 CoMFA 的三维场方法，再落到机器学习阶梯；一个 EGFR 类靶点的最小可运行 QSAR 案例，含真实量感的指标判读（RMSE 零点九个对数单位意味着什么）。

6.2 模型验证、适用域与 Y-随机化——为什么随机划分会撒谎；骨架划分与交叉验证的正确姿势；Y-随机化怎么识破偶然相关；适用域的相似度圈定法。以"模型答辩三连问"案例收尾，交付一份诚实的模型说明卡。

子章节之间的逻辑关系

两节是"造引擎"与"验引擎"的关系：6.1 负责把模型造出来，6.2 负责把它拷问清楚。顺序不可颠倒——验证意识要在建模之前就位：划分策略在训练前定死（不能看过测试集再决定怎么切），适用域在应用前圈好（不能先看预测结果再挑着信）。两节合起来是本章对行业的核心承诺：一个诚实的模型，加一份它自己知道自己不能干什么的使用说明。

   6.1 造引擎                       6.2 验引擎
 ┌─────────────────┐            ┌─────────────────────┐
 │ 数据 → 特征 → 划分 │            │ 骨架划分防抄袭        │
 │ 汉施 → 场方法 → 机器学习 │      │ Y 随机化防偶然        │
 │ 最小可运行案例    │             │ 适用域防越界          │
 └────────┬────────┘            └──────────┬──────────┘
          └──────────┬─────────────────────┘
                     ▼
        第7章：引擎装上筛选流水线开始荐书
​

前置知识与后续延伸

本章需要第3章的干净活性数据、第4章的描述符计算、第5章的聚类划分思想；统计上需要回归与相关系数的常识，交叉验证与 Y-随机化都会从零讲起。工具在 RDKit 之外引入 scikit-learn，仍是开源生态标配。

往后的路标：本章的模型直接是 7.1 节基于配体的虚拟筛选的排序引擎；验证纪律（尤其适用域）是 10.2 节行业最佳实践的核心条款；第8章的深度模型改变的只是方法层，验证与适用域的纪律原封不动地继承。