企业官网建设流程全解析

简介：这份资源是面向医药信息学、生物信息学方向的学习者与研究者整理的深度学习实战项目包，聚焦药物相互作用预测这一交叉课题，适合具备Python基础、希望了解图神经网络与分子表示建模的中高级读者参考。压缩包共19个文件，以13个py脚本和3个ipynb笔记本为主，辅以2张模型架构与图结构示意图及1个依赖说明文件，整体约621KB，结构紧凑便于快速上手。内容围绕decagon模型展开，涵盖药物分子SMILES编码与指纹特征预处理、图神经网络对分子拓扑结构的建模、二元分类标签构建、模型训练与交叉验证、AUC-ROC与AUPRC等指标评估，以及SHAP等可解释性分析思路，并配有探索性分析与测试数据集笔记本。目前已有192人学习下载，可作为复现药物相互作用预测流程、理解GNN在药理数据上应用的参考范例。

1. 药物相互作用预测为什么值得用深度学习重做一遍

两个药一起吃，会不会出事？这个问题在临床上每天都要回答无数次。传统做法靠药代动力学实验、靠文献检索、靠药师经验，覆盖的药物对数量极其有限。已知上市药物两两组合是万级到十万级的天文数字，靠人力穷举根本不现实。基于深度学习的药物相互作用预测，本质上是把「这对药能不能一起吃」变成一个二分类或多分类问题，用药物分子结构、靶点、酶、通路等特征训练模型，让模型去推断那些还没被实验验证过的组合。它解决的是「覆盖率」和「成本」两个死结：实验做不完的，模型先筛一遍，把高风险组合挑出来优先验证。适合谁？做药物警戒、临床决策支持、药企早期筛选、以及想拿深度学习做真实生物医药项目的工程师。这个方向数据公开、任务定义清晰、模型可解释性有抓手，是少有的「学术能发论文、工业能落地」的交叉领域。

2. 药物相互作用预测的数据从哪来、特征怎么建

2.1 三类主流数据源和它们的取舍

做这个任务，第一步不是搭模型，是搞清楚你手里有什么数据。常见的数据源分三类，各有各的坑。

第一类是药物分子结构数据，最典型的是 SMILES 字符串和分子指纹。SMILES 是药物的文本表示，比如阿司匹林是CC(=O)Oc1ccccc1C(=O)O。它的好处是几乎任何药物都能拿到，坏处是字符串本身没有显式编码化学性质，需要模型自己去学。分子指纹（如 Morgan fingerprint、MACCS keys）是把结构压成固定长度的 0/1 向量，计算快、可复现，但会丢失部分拓扑信息。

第二类是生物实体关联数据，包括靶点蛋白、代谢酶（尤其是 CYP450 家族）、转运体、通路。药物相互作用很大一部分机制是「A 药抑制了代谢 B 药的酶」，所以酶和靶点的共享关系是强特征。这类数据通常从 DrugBank、PubChem、ChEMBL 这类公开库整理，但要注意版本差异——不同年份的库，同一个药物的靶点标注可能不一样。

第三类是已知相互作用标签，也就是监督学习的 y。DrugBank 的 DDI 表是最常用的，但它有个致命问题：正样本多、负样本少且不可靠。没有标注相互作用的药物对，不代表真的没有相互作用，可能只是没人研究过。这是整个任务最大的数据陷阱，后面避坑章节会细说。

2.2 把 SMILES 变成模型能吃的张量

分子结构编码是绕不开的一步。我一般会同时准备两套特征：一套指纹向量给传统模型和快速基线，一套字符级序列给深度模型。下面这段代码把 SMILES 转成 Morgan 指纹，并做基本的合法性校验。

from rdkit import Chem from rdkit.Chem import AllChem import numpy as np def smiles_to_fingerprint(smiles, radius=2, n_bits=2048): """把 SMILES 转成 Morgan 指纹向量。 radius: 考虑周围几层原子，2 是常用值 n_bits: 指纹长度，2048 在药物任务里够用 """ mol = Chem.MolFromSmiles(smiles) if mol is None: return None # 非法 SMILES，必须过滤，否则后面全崩 fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius, nBits=n_bits) return np.array(fp, dtype=np.float32) # 批量处理，记录失败的样本 def build_fingerprint_matrix(smiles_list): feats, valid_idx = [], [] for i, smi in enumerate(smiles_list): fp = smiles_to_fingerprint(smi) if fp is not None: feats.append(fp) valid_idx.append(i) return np.stack(feats), valid_idx

逻辑说明：MolFromSmiles返回 None 说明这个 SMILES 写错了或者 RDKit 解析不了，必须丢弃并记录索引，否则后续矩阵对齐会错位。radius=2对应 ECFP4，是药物化学里被验证过最稳的默认值；n_bits=2048是精度和内存的折中，药物分子原子数一般不超过 100，2048 位足够稀疏表达。参数怎么改？如果你的药物分子特别大（比如多肽类），radius 可以提到 3，n_bits 提到 4096，但要注意特征维度上升后小数据集容易过拟合。

2.3 负样本构造：这一步决定模型上限

正样本从 DrugBank 拿，负样本怎么办？直接随机采样是最常见的做法，但会引入大量「假阴性」——你随机抽的一对药，可能其实有相互作用只是没被记录。我的经验是分层构造：先从「已知无相互作用」的明确记录里取一部分，再用「靶点/酶完全不重叠」的药物对补充，最后才用随机采样兜底。比例上正负 1:1 到 1:3 之间比较稳，负样本太多会让模型偏向多数类。

import random def build_negative_samples(drug_ids, positive_pairs, ratio=2): """基于随机采样构造负样本，ratio 为负正比。 注意：这只是基线做法，生产环境要叠加规则过滤。 """ pos_set = set(positive_pairs) negatives = [] target = len(positive_pairs) * ratio while len(negatives) < target: a, b = random.sample(drug_ids, 2) if (a, b) not in pos_set and (b, a) not in pos_set: negatives.append((a, b)) return negatives

这段代码能跑，但我要提醒：它没有做任何机制层面的过滤。真正上线前，至少要把「共享靶点」「共享代谢酶」的药物对从负样本里剔除，否则模型学到的只是「共享靶点=有相互作用」这个捷径，换个数据集就翻车。

3. 模型选型：从指纹 MLP 到图神经网络怎么选

3.1 基线模型先跑通，别一上来就上 GNN

很多人的第一反应是直接上图神经网络，觉得分子天然是图结构。但我的血泪经验是：先用指纹 + MLP 跑一个基线，把数据管道、评估指标、划分方式全部验证一遍，再考虑复杂模型。原因很简单，如果基线只有 0.6 的 AUC，你换成 GNN 大概率也就 0.65，问题出在数据不在模型。

基线模型的结构很朴素：两个药物的指纹各过一个编码器，拼接后接分类头。

import torch import torch.nn as nn class DDI_MLP(nn.Module): def __init__(self, fp_dim=2048, hidden=512, n_class=2): super().__init__() self.encoder = nn.Sequential( nn.Linear(fp_dim, hidden), nn.ReLU(), nn.Dropout(0.3), # 药物特征维度高，dropout 必加 nn.Linear(hidden, hidden // 2), nn.ReLU(), ) self.classifier = nn.Sequential( nn.Linear(hidden, 128), nn.ReLU(), nn.Linear(128, n_class), ) def forward(self, fp_a, fp_b): h_a = self.encoder(fp_a) h_b = self.encoder(fp_b) # 拼接 + 逐元素乘积，乘积能捕捉两药特征的交互 combined = torch.cat([h_a, h_b, h_a * h_b], dim=-1) return self.classifier(combined)

逻辑说明：两个药物共享同一个 encoder，这是合理的，因为药物特征空间是同一套。h_a * h_b这个逐元素乘积是关键，它显式建模了两个药物特征的交互，比单纯拼接效果好。参数上hidden=512对 2048 维指纹是合适的压缩比，dropout 0.3 是防止高维特征过拟合的常用值。如果你的数据集小于 5000 对，dropout 可以提到 0.5。

3.2 图神经网络什么时候真正带来增益

GNN 的价值在于它直接从原子和键的图结构学表示，不需要人工设计指纹。常见做法是用 GCN 或 GIN 编码每个药物分子图，得到图级表示后再做交互。什么时候 GNN 会明显超过指纹基线？我的观察是：当你的数据量足够大（万级以上药物对），且任务依赖精细的局部结构时。如果数据只有几千对，GNN 参数多、容易过拟合，反而不如指纹稳。

from torch_geometric.nn import GINConv, global_add_pool class DrugGNN(nn.Module): def __init__(self, node_dim=78, hidden=128, n_layer=3): super().__init__() self.convs = nn.ModuleList() for _ in range(n_layer): mlp = nn.Sequential(nn.Linear(hidden, hidden), nn.ReLU(), nn.Linear(hidden, hidden)) self.convs.append(GINConv(mlp)) self.input_proj = nn.Linear(node_dim, hidden) def forward(self, x, edge_index, batch): h = self.input_proj(x) for conv in self.convs: h = conv(h, edge_index).relu() return global_add_pool(h, batch) # 图级表示

逻辑说明：node_dim=78是原子特征的标准维度（原子类型、度、电荷、手性等 one-hot 拼接）。n_layer=3意味着每个原子能感知到 3 跳以内的邻居，对大多数药物分子够用，层数再深会出现过平滑。global_add_pool把原子表示聚合成分子表示，也可以用 mean 或 attention pool，add 对分子大小不敏感，是我更常用的选择。

3.3 交互建模：拼接、双线性还是注意力

两个药物的表示拿到之后，怎么建模它们的交互，直接决定模型上限。最简单的拼接在基线里够用，但如果你想再往上推，双线性池化和注意力是两条路。双线性用一个小矩阵 W 建模 h_a 和 h_b 的二次交互，参数量可控；注意力则让模型自己决定关注哪些特征维度。

我一般的组合是「拼接 + 逐元素乘积」作为默认，数据量过万再考虑加双线性。注意力机制在 DDI 任务上不是必须的，除非你要做可解释性分析，想看模型关注了哪些子结构。

4. 训练与评估：别被虚高的 AUC 骗了

4.1 数据划分方式决定你的指标可不可信

这是整个任务里最容易翻车的地方。如果你随机划分训练集和测试集，模型会记住某些药物，测试集里出现的药物在训练集里也出现过，指标会虚高得离谱。正确的做法是按药物划分：测试集里的药物，在训练集里完全不出现。这才模拟了「预测新药相互作用」的真实场景。

from sklearn.model_selection import GroupShuffleSplit def split_by_drug(pairs, groups, test_size=0.2): """按药物分组划分，保证测试集药物不出现在训练集。 groups 是每个样本对应的药物 id 列表（取其中一个即可）。 """ gss = GroupShuffleSplit(n_splits=1, test_size=test_size, random_state=42) train_idx, test_idx = next(gss.split(pairs, groups=groups)) return train_idx, test_idx

逻辑说明：GroupShuffleSplit保证同一组的样本不会同时出现在训练和测试。groups 传每个药物对里的第一个药物 id 就行。参数test_size=0.2是常规比例，但如果你的药物总数少，测试集药物太少会导致指标方差大，这时候要做交叉验证而不是单次划分。

4.2 类别不平衡和阈值选择

DDI 数据里，严重的相互作用（比如禁忌）往往只占很小比例。如果你做多分类（无/弱/中/强），类别不平衡会非常明显。处理方式有三种：重采样、类别加权损失、以及调整预测阈值。我一般用加权交叉熵，简单有效。

# 按类别频率的倒数设置权重 class_counts = torch.bincount(train_labels) weights = 1.0 / class_counts.float() weights = weights / weights.sum() criterion = nn.CrossEntropyLoss(weight=weights)

逻辑说明：bincount统计每个类别的样本数，取倒数让稀有类获得更大权重。归一化是为了让权重尺度稳定，不影响学习率。注意权重不要设得太极端，否则模型会把所有样本都预测成稀有类，召回上去了但精确率崩了。阈值选择上，不要用默认的 0.5，要在验证集上画 PR 曲线，根据你的业务需求选——药物警戒场景宁可误报也不能漏报，阈值要往低里调。

4.3 评估指标：AUC 之外必须看的东西

AUC 是标配，但它对类别不平衡不敏感，容易给人虚假的安全感。我必看的还有三个：AUPRC（不平衡数据更真实）、召回率@高精度（业务关心的区间）、以及按相互作用类型分层的指标。如果模型在「禁忌」类上召回很低，那这个模型上线就是灾难。

5. 避坑指南：五个让模型翻车的真实问题

5.1 负样本假阴性导致指标虚高

现象：模型在测试集上 AUC 0.95，一换数据集掉到 0.7。原因：负样本是随机采样的，里面混了大量实际有相互作用但没被标注的药物对。模型学到的是「没标注=无相互作用」这个错误信号。解决：负样本构造时叠加机制过滤，剔除共享靶点、共享代谢酶的药物对；同时用「已知无相互作用」的明确记录优先填充。

5.2 按药物划分后指标暴跌

现象：随机划分 AUC 0.92，按药物划分只有 0.68。原因：随机划分下模型记住了药物身份，测试集药物在训练集见过。按药物划分才是真实泛化能力。解决：接受这个更低的数字，它才是真的。如果按药物划分指标太低，说明模型学的是药物记忆而非相互作用机制，要回去改特征和交互建模。

5.3 SMILES 解析失败静默丢样本

现象：训练正常，但预测时某些药物报错或结果异常。原因：RDKit 解析非法 SMILES 返回 None，如果代码里没检查，None 会传播到后面导致维度错乱或静默跳过。解决：所有 SMILES 入口都做MolFromSmiles校验，记录失败列表，人工核对。生产环境要有兜底：解析失败的药物走指纹缓存或直接拒绝预测。

5.4 特征泄漏：靶点信息混进了标签

现象：模型指标好得不真实，但换一批药就废。原因：构造特征时用了「该药物对是否有相互作用」相关的信息，比如从 DDI 记录里反推的靶点关联，等于把答案喂给了模型。解决：严格区分特征构建阶段和标签使用阶段。靶点、酶特征只能来自药物本身的独立注释，不能来自 DDI 记录。做特征时问自己一句：这个特征在预测时拿得到吗？

5.5 过平滑让深层 GNN 失效

现象：GNN 层数加到 5 层以上，效果不升反降。原因：图卷积反复聚合邻居，所有原子表示趋同，丢失区分度，这就是过平滑。解决：层数控制在 3 到 4 层；加残差连接或 Jumping Knowledge 结构；或者干脆回到指纹基线。不是越深越好，分子图通常很小，3 层足够覆盖大部分拓扑。

6. 把模型推到可用的几个进阶技巧

模型能跑出指标只是起点，要真正可用，还有几件事值得做。第一个是集成：把指纹 MLP 和 GNN 的预测做加权平均，两者犯错模式不同，集成后通常能涨 2 到 3 个点。权重不用调太细，0.5 比 0.5 起步，在验证集上微调即可。第二个是不确定性估计：用 MC Dropout 或者深度集成，对每个预测给出置信度，低置信度的样本交给人工复核，这在药物警戒场景比单纯提高准确率更有价值。

def predict_with_uncertainty(model, fp_a, fp_b, n_forward=20): """MC Dropout 估计预测不确定性。 推理时保持 dropout 开启，多次前向取均值和方差。 """ model.train() # 关键：保持 dropout 激活 preds = [] with torch.no_grad(): for _ in range(n_forward): logits = model(fp_a, fp_b) preds.append(torch.softmax(logits, dim=-1)) preds = torch.stack(preds) mean = preds.mean(dim=0) std = preds.std(dim=0) return mean, std

逻辑说明：model.train()让 dropout 在推理时也生效，每次前向得到略有不同的结果，多次采样后方差就是不确定性的代理。n_forward=20是精度和耗时的折中，一般 10 到 30 之间。拿到 std 后，可以设一个阈值，std 高于阈值的预测标记为「需人工复核」，这样模型不是替代人，而是帮人排优先级。

第三个技巧是可解释性回溯。用 GNN 的时候，可以用 GNNExplainer 或者注意力权重，看模型对哪几个子结构最敏感。如果模型判断某对药有相互作用，是因为两个药共享了某个反应性官能团，这个信息对药师来说比一个概率值有用得多。我一般会把 top-5 重要子结构可视化出来，附在预测结果旁边。

最后一个习惯：永远保留一个「傻瓜基线」。我用「两药是否共享靶点」这个规则做基线，如果深度学习模型打不过这个规则，那说明模型没学到东西，别急着上线。这个习惯帮我省过好几次面子——有次模型 AUC 0.85 看着不错，结果规则基线 0.83，等于深度学习白做。后来回去查，发现是特征工程里靶点信息编码方式有问题。做这个方向，敬畏数据比迷信模型重要得多。希望帮到你。

本文还有配套的精品资源，点击获取