机器学习驱动药物发现：虚拟筛选中的多模型对比实战

探索如何利用逻辑回归、随机森林、梯度提升和神经网络进行药物虚拟筛选，构建完整的机器学习流水线并对比不同模型的性能表现。

• 原作者/维护者：milicajeftic
• 来源平台：github
• 原始标题：drug_discovery_ml
• 原始链接：https://github.com/milicajeftic/drug_discovery_ml
• 来源发布时间/更新时间：2026-06-11T18:13:52Z

原作者与来源

• 原作者/维护者：milicajeftic
• 来源平台：github
• 原始标题：drug_discovery_ml
• 原始链接：https://github.com/milicajeftic/drug_discovery_ml
• 来源发布时间/更新时间：2026-06-11T18:13:52Z 原作者与来源\n\n- 原作者/维护者: Milica Jeftic（University of Primorska - FAMNIT，生物信息学学生）\n- 来源平台: GitHub\n- 原始标题: drug_discovery_ml\n- 原始链接: https://github.com/milicajeftic/drug_discovery_ml\n- 发布时间: 2026年6月11日\n\n---\n\n引言：为什么药物发现需要机器学习？\n\n药物研发是一个漫长且昂贵的过程，从候选化合物的发现到最终上市往往需要十年以上时间和数十亿美元的投入。传统的实验筛选方法虽然可靠，但成本极高且效率有限。虚拟筛选（Virtual Screening）作为一种计算技术，能够在实验验证之前快速评估大量化合物的生物活性，从而显著降低研发成本和时间。\n\n机器学习为虚拟筛选提供了强大的工具。通过学习已知化合物的分子特征与生物活性之间的关系，模型可以预测新化合物的活性，帮助研究人员优先筛选最有潜力的候选分子。这种数据驱动的方法正在改变药物发现的范式。\n\n---\n\n项目概述与数据集介绍\n\n本项目构建了一个完整的机器学习流水线，用于预测化学化合物对特定靶点的生物活性。任务被建模为二分类问题：判断化合物是"活性"（1）还是"非活性"（0）。\n\n数据集来源\n\n项目使用来自Kaggle的"Drug Discovery Virtual Screening Dataset"，包含2000个化学化合物，每个化合物由以下特征描述：\n\n- 分子属性: 描述化合物化学结构的各种分子描述符\n- 蛋白质特征: 与靶点蛋白相关的特征\n- 结合亲和力测量: 化合物与靶点结合的强度指标\n\n该数据集模拟了真实的药物研究数据，同时保护了实际化合物的机密性，非常适合用于学习和研究目的。\n\n---\n\n模型架构与方法论\n\n项目采用了四种不同复杂度的模型进行对比，从简单的线性模型到深度神经网络：\n\n1. 逻辑回归（Logistic Regression）\n\n作为基线模型，逻辑回归简单且可解释性强。它假设特征与目标之间存在线性关系，虽然模型容量有限，但能为后续复杂模型提供重要的性能参考基准。\n\n2. 随机森林（Random Forest）\n\n随机森林是一种集成学习方法，通过构建多棵决策树并汇总其结果来进行预测。它能够捕捉特征间的非线性关系和交互作用，在化学信息学领域应用广泛。\n\n3. 梯度提升（Gradient Boosting）\n\n梯度提升通过顺序训练弱学习器，每一棵树都试图纠正前一棵树的错误。这种迭代优化策略通常能获得比随机森林更高的精度，但训练时间也更长。\n\n4. 神经网络（Neural Network）\n\n使用前馈神经网络探索深度学习架构的潜力。通过多层非线性变换，神经网络能够学习复杂的特征表示。项目中应用了正则化技术来缓解过拟合问题。\n\n---\n\n训练与评估策略\n\n为了确保公平的模型对比，所有模型使用相同的训练-验证-测试数据划分。超参数调优通过交叉验证进行，以找到每个模型的最优配置。\n\n评估指标\n\n项目采用了分类任务的标准评估指标：\n\n- 准确率（Accuracy）: 正确预测的比例\n- 精确率（Precision）: 预测为活性的化合物中真正活性的比例\n- 召回率（Recall）: 真正活性的化合物中被正确识别的比例\n- F1分数: 精确率和召回率的调和平均\n- ROC-AUC: 模型区分活性与非活性化合物的能力\n\n额外分析\n\n除了基本指标外，项目还进行了：\n\n- 混淆矩阵分析: 详细查看真阳性、假阳性、真阴性、假阴性的分布\n- 学习曲线: 观察模型在训练过程中的表现变化\n- 误差分析: 专门研究假阳性和假阴性案例的特征\n\n---\n\n特征重要性与模型可解释性\n\n对于树模型（随机森林和梯度提升），项目计算了特征重要性分数，识别出对生物活性预测贡献最大的分子描述符。这种分析具有重要的实际意义：\n\n- 帮助化学家理解哪些分子属性与活性最相关\n- 指导新化合物的分子设计\n- 提供对模型决策过程的洞察\n\n误差分析特别关注模型在识别活性化合物和过滤非活性化合物方面的表现差异。在虚拟筛选场景中，漏掉潜在活性化合物（假阴性）和错误保留非活性化合物（假阳性）的成本可能不同，因此理解模型的偏差方向至关重要。\n\n---\n\n项目结构与代码组织\n\n项目采用了清晰的分层结构：\n\n\ndrug-discovery-virtual-screening/\n├── data/\n│ ├── raw/ 原始数据集\n│ └── processed/ 清洗后的数据\n├── notebooks/ Jupyter分析笔记本\n│ ├── 00_setup_and_data_check.ipynb\n│ ├── 01_eda_and_preprocessing.ipynb\n│ ├── 02_baseline_logistic_regression.ipynb\n│ ├── 03_tree_models_rf_gb.ipynb\n│ ├── 04_neural_network.ipynb\n│ └── 05_model_comparison_and_error_analysis.ipynb\n├── src/ 可复用的Python模块\n│ ├── data_prep.py 数据加载与预处理\n│ ├── train.py 模型训练\n│ ├── evaluate.py 模型评估\n│ └── utils.py 辅助函数\n├── results/ 评估指标、图表和输出\n└── requirements.txt Python依赖\n\n\n这种结构使得项目易于理解和复现，每个笔记本专注于特定的分析阶段，从数据探索到最终模型对比。\n\n---\n\n预期结果与项目意义\n\n根据项目设计，预期复杂模型（随机森林、梯度提升、神经网络）将优于基线逻辑回归模型，因为它们能够捕捉特征间的非线性关系。然而，性能提升的幅度和计算复杂度的 trade-off 需要通过实际实验来验证。\n\n该项目的价值在于：\n\n1. 完整的工作流: 从数据获取到模型部署的端到端示例\n2. 多模型对比: 系统比较不同复杂度模型的性能、可解释性和计算成本\n3. 可复现性: 清晰的代码结构和文档便于他人学习和复现\n4. 实际应用: 模拟真实的药物发现虚拟筛选流程\n\n---\n\n结语与启示\n\n这个项目展示了机器学习在药物发现领域的应用潜力。通过构建多模型对比的流水线，研究人员不仅能够找到性能最优的预测模型，还能深入理解分子特征与生物活性之间的关系。\n\n对于希望进入AI药物发现领域的学习者来说，这是一个很好的起点。它涵盖了数据预处理、特征工程、模型训练、超参数调优、评估和可解释性分析等核心技能，同时保持了代码的清晰和可维护性。\n\n未来可以扩展的方向包括：尝试更复杂的分子表示方法（如分子图神经网络）、引入更多的分子描述符、或者应用到其他类型的药物靶点预测任务。