传统机器学习在分子性质预测中的实战指南：从分子表示到可解释性

1. 内容整体设计与思路拆解

1.1 为什么兜兜转转，传统机器学习又回到了聚光灯下

我这两年一直在做分子性质预测方向的工程落地，有个很直观的感受：身边越来越多做化学AI的人，开始在深度神经网络之外，重新把随机森林（RF）、梯度提升树（GBDT）这些“老家伙”捡起来了。尤其MIT那边开源出来的ChemXploreML项目，几乎把这种趋势摆到了明面上——它专门做可解释的分子性质预测基线，核心模型选的就是传统机器学习算法。

为什么会这样？因为分子性质预测这个任务，跟图像识别、自然语言处理有本质区别。图像有上亿参数的大模型托底，只要数据够多，堆算力就能出效果。但分子数据集的规模，大多数时候也就几千到几万条活性数据，而且每一条样本背后代表的是一个真实的化学空间——同系物、手性中心、官能团效应、溶剂效应、温度压力条件，全都耦合在一起。在这种“小数据、高噪声、强先验”的设定下，深度模型很容易过拟合，而传统ML算法因为有成熟的正则化机制和清晰的偏差-方差权衡逻辑，反而能给出更稳的结果。

另外还有一个很现实的问题：解释性。药化、材料方向的同事不会满足于你告诉他“这个分子预测活性值0.87”，他们更想知道是哪个官能团在起作用、哪个描述符主导了预测。传统机器学习算法天然带特征重要性分析，RF能输出Gini importance，GBDT能输出gain-based importance，SHAP值也能很自然地套在这些模型上做全局和局部解释。这一整套管线，深度学习模型目前很难做到同等程度的透明。

ChemXploreML这个项目让我特别有好感的一点，是它对待“基线模型”的态度。很多组里的博文和开源代码喜欢把基线模型一笔带过，仿佛那只是衬托深度模型用的背景板。但MIT这个项目把RF、XGBoost、Logistic回归这些模型当成一等公民来对待，不仅认真调参，还系统比较了不同的分子表示方式对模型性能的影响。这种严谨的工程态度，恰恰是化学AI领域最需要的东西。

1.2 分子性质预测的任务拆解：从输入到输出的全链路

聊具体内容之前，先把分子性质预测这个任务本身拆清楚。它的本质是：给定一个分子结构，预测它的一系列物理化学性质或生物活性指标，比如水溶性（logS）、脂水分配系数（logP）、毒性（LD50）、血脑屏障透过率（BBB）、hERG心脏毒性等。

从输入到输出，常规管线是这样的：

1. 分子结构表示：SMILES字符串、InChI、SDF文件等；
2. 分子描述符计算：用RDKit等工具把结构转化成数值向量，比如200多个2D描述符（MolWt、LogP、TPSA、HBD、HBA、RotBonds等）、指纹（Morgan指纹、MACCS keys、RDKit fingerprint等）；
3. 特征预处理：标准化、去除高度相关特征、处理缺失值；
4. 模型训练：用传统ML算法或者深度学习模型去拟合描述符到目标性质之间的映射；
5. 模型评估：交叉验证、外部测试集验证，常用指标有R²、RMSE、MAE（回归任务），AUC-ROC、F1、准确率（分类任务）；
6. 可解释性分析：SHAP值、特征重要性、依赖图等。

这里面有一个长期被忽略的关键点：表示方式的选择对模型性能的影响，有时候比模型本身的选择还要大。传统机器学习方法在这方面优势非常大——你可以灵活地组合几十种不同的描述符和指纹，但深度学习模型通常只能吃固定维度的输入，如果你想加入额外的分子描述符，就得改网络结构，非常不灵活。

1.3 ChemXploreML 到底做了什么值得关注的事

ChemXploreML这个项目的核心贡献，我总结下来有三点。第一，它把多个传统ML算法在分子性质预测任务上做了系统性的横向评测，覆盖了分类和回归两类任务；第二，它对不同的分子表示方式（fingerprints、descriptors、graph-based）统一做了处理，建立了公平的比较基准；第三，它提供了一个可扩展的代码框架，你可以拿到自己的数据直接跑基线。

这一点对于刚进入这个领域的研究者尤其宝贵。很多刚接触化学AI的人，一上来就想着用图神经网络（GNN）或者Transformer去做分子性质预测，结果被数据集规模、超参数敏感性、训练不稳定性折腾得够呛。实际上，先用传统ML算法跑一遍基线，拿到一个合理的性能上限参照，再考虑是否值得上深度学习模型，这才是理性、高效的路线。ChemXploreML其实就是在帮你把这一步做扎实。

2. 分子表示方式的核心细节与实操要点

2.1 描述符、指纹和分子图：三种表示的底层逻辑差异

既然要讨论传统机器学习算法在分子性质预测中的表现，第一步要搞清楚的是：分子怎么“喂”给模型。我常跟团队里新人讲，分子表示就是化学和机器学习之间的翻译层，翻译得不好，后面模型再强也白搭。

目前主流的表示方式有三种，各有各的数学逻辑和使用场景。

分子描述符（Molecular Descriptors）：这是最“化学家友好”的一种表示。RDKit能计算超过200个描述符，包括分子量、logP、拓扑极性表面积（TPSA）、氢键供体/受体数目、可旋转键数目、芳环数目、电荷相关描述符等。这些描述符直接对应化学家熟悉的分子性质，解释性极强。缺点是描述符之间的相关性很高，比如分子量和分子体积高度相关，直接扔给模型可能会引入共线性问题。

分子指纹（Molecular Fingerprints）：这是传统ML算法最常吃的输入格式。Morgan指纹（也称ECFP）是其中应用最广泛的，它的核心思想是以每个原子为中心，用半径R的圆域提取子结构环境，再通过哈希映射成固定长度的二进制位向量。ECFP4表示半径2（考虑2个化学键范围），ECFP6表示半径3。MACCS keys则是166个预定义的结构片段关键位，属于“人类可读”的子结构指纹。指纹的优点在于把分子结构转化为固定长度的稀疏向量，非常适合RF和GBDT这类基于树模型的算法。

分子图（Molecular Graph）：把原子看成节点、化学键看成边，然后用图神经网络来学习表示。这种表示理论上信息无损，能捕获长程相互作用，是目前深度学习路线的首选。但它和传统ML算法的兼容性很差——随机森林没法直接处理图结构数据，你需要先把图嵌入成向量才能喂给树模型。

我用一个生活化的类比来解释：描述符就像你向别人介绍一个人时说“身高180cm，体重75kg，近视”，指纹就像“这个人有个显著的特点是笑起来有酒窝”，图则像“把这个人从头发到脚趾的所有生物学特征全都连成一张网来描述”。三种方式信息量递增，但可解释性和计算成本也同步变化。

2.2 实操：用RDKit生成描述符和指纹的完整示例

下面我直接给一段可运行的代码，演示怎么用RDKit把SMILES转成描述符和指纹。这段代码是ChemXploreML管线里最核心的数据预处理部分，我做了适当精简，但保留了完整逻辑。

python复制import numpy as np
import pandas as pd
from rdkit import Chem
from rdkit.Chem import Descriptors
from rdkit.Chem import AllChem
from rdkit.Chem import MACCSkeys

def smiles_to_descriptors(smiles_list):
    """将SMILES列表转换为RDKit分子描述符矩阵"""
    desc_names = [desc_name for desc_name in dir(Descriptors) 
                  if desc_name[0].islower() and desc_name not in ['CalcMolForm']]
    desc_funcs = [getattr(Descriptors, name) for name in desc_names]
    
    rows = []
    valid_indices = []
    for idx, smiles in enumerate(smiles_list):
        mol = Chem.MolFromSmiles(smiles)
        if mol is None:
            rows.append(np.full(len(desc_funcs), np.nan))
            continue
        row = []
        for func in desc_funcs:
            try:
                val = func(mol)
                if isinstance(val, tuple):
                    val = val[0]
                row.append(float(val))
            except Exception:
                row.append(np.nan)
        rows.append(row)
        valid_indices.append(idx)
    
    df = pd.DataFrame(rows, columns=desc_names)
    df['valid'] = False
    df.loc[valid_indices, 'valid'] = True
    return df

def smiles_to_fingerprints(smiles_list, radius=2, nbits=1024, fp_type='morgan'):
    """将SMILES列表转换为分子指纹矩阵
    
    参数说明：
    - radius：Morgan指纹半径，2对应ECFP4，3对应ECFP6
    - nbits：指纹位长，常见设置512、1024、2048
    - fp_type：'morgan'或'maccs'
    """
    fp_matrix = []
    valid_mask = []
    
    for smiles in smiles_list:
        mol = Chem.MolFromSmiles(smiles)
        if mol is None:
            fp_matrix.append(np.zeros(nbits, dtype=np.float32))
            valid_mask.append(False)
            continue
        if fp_type == 'morgan':
            fp = AllChem.GetMorganFingerprintAsBitVect(mol, radius, nBits=nbits)
        elif fp_type == 'maccs':
            fp = MACCSkeys.GenMACCSKeys(mol)
            nbits = len(fp)
        else:
            raise ValueError(f"Unknown fp_type: {fp_type}")
        
        arr = np.zeros((nbits,), dtype=np.float32)
        for bit_idx in fp.GetOnBits():
            arr[bit_idx] = 1.0
        fp_matrix.append(arr)
        valid_mask.append(True)
    
    return np.array(fp_matrix), np.array(valid_mask)

这段代码有几个细节值得注意。第一，用dir(Descriptors)动态抓取所有描述符函数名，而不是手写一个描述符清单，这样RDKit升级后新增的描述符也能自动包含进来；第二，MolFromSmiles解析失败的情况一定要处理，现实数据里SMILES格式错误、原子价异常、括号不匹配比比皆是，把这些样本标记为invalid而不是直接报错崩溃，能让管线走得更远；第三，指纹转换成numpy数组时用了float32而不是int，主要是为了方便后面直接喂给XGBoost和LightGBM，它们内部会自动处理特征类型。

2.3 指纹参数的“黄金组合”选择与经验教训

关于Morgan指纹的半径和位长，我踩过不少坑，这里分享几个实际经验。

ECFP4（radius=2）和ECFP6（radius=3）的选择，直观理解就是感受野大小。ECFP4能捕获以每个原子为中心的2个化学键范围内的子结构，基本涵盖了大多数官能团特征；ECFP6扩展到3个键范围，能捕捉到一些更长的连接路径，但同时也引入了更多噪声位。我在多个数据集上对比过，对于大多数分子性质预测任务，ECFP4的稳定性和泛化性都优于ECFP6。特别是一些活性分类任务，ECFP6很容易在训练集上把某些长路径片段当成强特征，但在外部测试集上这些特征会迅速失效——典型的过拟合信号。

指纹位长的设置要结合数据集规模来看。如果训练集只有几千个分子，用2048位甚至4096位的Morgan指纹，绝大多数位基本都是全0，特征过于稀疏，不仅降低训练速度，还会稀释真正有效位的重要性。我的建议是：数据集小于5000条，用1024位；数据集在5000到50000条之间，用2048位；再大的数据集才考虑4096位。这个经验在ChemXploreML的评测中也能得到验证——两种位长在中小数据集上的性能差异微乎其微，但计算资源消耗却差了一倍。

还有一个小技巧：在很多工作里，组合指纹和描述符一起作为输入，效果比单独用任何一种都更好。树模型擅长处理这种混合特征，不会因为特征维度不同而出现训练问题。比如把1024位Morgan指纹加上20个关键描述符（logP、TPSA、MW、HBD、HBA等），组成一个1044维的特征向量，在很多任务上都能比单独使用其中一种提升2-4个百分点的AUC。这个技巧在ChemXploreML的论文里也有体现，他们对比了不同表示组合的消融实验，混合表示在大多数任务上都取得了最优结果。

3. 传统机器学习模型选型与参数调优实战

3.1 RF、XGBoost、LightGBM 在分子性质预测中的定位

确定了分子表示方式之后，下一步就是选模型。在分子性质预测场景下，我用得最多的是三个传统ML算法：随机森林（Random Forest）、XGBoost和LightGBM。三个算法各有各的脾气，适合不同的场景。

**随机森林（RF）**是我在小数据集上的首选。它的bagging机制天然具备很强的抗过拟合能力，超参数少，默认参数在很多任务上就能跑出不错的成绩。尤其当数据集只有几百条标注数据时，RF的稳定性是所有树模型里最好的。缺点是当特征维度很高、数据量很大时，RF通常打不过梯度提升类模型。

XGBoost在中等规模数据集（几千到几万条）上表现非常强势。它用了二阶泰勒展开来优化损失函数，加上正则化项和列采样，在防止过拟合的同时能拟合更复杂的非线性关系。但它对超参数的敏感度比RF高很多，learning rate、max_depth、subsample、colsample_bytree、reg_lambda这些参数都需要调。调好了上限很高，调不好可能还不如一个默认参数的RF。

LightGBM是XGBoost的“速度优化版”。它基于直方图算法，训练速度比XGBoost快好几倍，内存占用也更低。在处理高维稀疏特征（比如4096位的指纹向量）时，LightGBM用GOSS（基于梯度的单边采样）和EFB（互斥特征绑定）技术，效率优势非常明显。缺点是它对过拟合的防护机制比XGBoost弱一些，小数据集的稳定性不如RF和XGBoost。

三者选型我有一个非常朴素的经验法则：数据量小于1000条，直接用RF；数据量1000-10000条，XGBoost；数据量超过10000条且特征维度高，LightGBM。当然这只是一个起点，实际中还需要结合交叉验证结果做决定。

3.2 超参数调优策略：从粗调到细调

传统ML算法虽然相对深度学习来说超参数少很多，但也不是完全不需要调。我一般分两轮做：第一轮用较粗的网格搜索找出参数的大致范围，第二轮在大致范围附近做随机搜索细化。

以XGBoost为例，我的调优顺序是：

1. 先固定learning rate为0.1，调n_estimators和early stopping；
2. 然后调max_depth和min_child_weight，这两个参数控制模型复杂度；
3. 接着调subsample和colsample_bytree，控制采样比例；
4. 最后微调reg_alpha和reg_lambda正则化系数。

实践中我发现一个非常关键的细节：early stopping的验证集划分方式。分子数据集的样本之间存在很大的结构相似性，如果随便用随机划分，很容易把同一个骨架的分子同时分到训练集和验证集，导致验证误差被严重低估。正确的做法是使用基于分子骨架（Murcko scaffold）的划分方式，确保训练集和验证集中没有相同骨架的分子。这几乎是分子性质预测领域最容易犯但又最容易被忽视的错误。

下面我给出一段完整的XGBoost训练和调优代码，包含了骨架划分和早停机制：

python复制import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score, mean_squared_error
import xgboost as xgb
from rdkit.Chem.Scaffolds import MurckoScaffold
from rdkit import Chem

def scaffold_split(smiles_list, y, test_size=0.2, random_state=42):
    """基于Murcko骨架的分子数据集划分"""
    scaffold_to_indices = {}
    for idx, smiles in enumerate(smiles_list):
        mol = Chem.MolFromSmiles(smiles)
        if mol is None:
            continue
        scaffold = MurckoScaffold.MurckoScaffoldSmiles(mol=mol)
        if scaffold not in scaffold_to_indices:
            scaffold_to_indices[scaffold] = []
        scaffold_to_indices[scaffold].append(idx)
    
    scaffold_list = list(scaffold_to_indices.keys())
    rng = np.random.RandomState(random_state)
    rng.shuffle(scaffold_list)
    
    train_indices = []
    test_indices = []
    test_scaffold_count = int(len(scaffold_list) * test_size)
    test_scaffolds = set(scaffold_list[:test_scaffold_count])
    
    for scaffold, indices in scaffold_to_indices.items():
        if scaffold in test_scaffolds:
            test_indices.extend(indices)
        else:
            train_indices.extend(indices)
    
    return train_indices, test_indices


def train_xgboost_model(X_train, y_train, X_val, y_val):
    """训练XGBoost分类模型，带早停机制"""
    dtrain = xgb.DMatrix(X_train, label=y_train)
    dval = xgb.DMatrix(X_val, label=y_val)
    
    params = {
        'objective': 'binary:logistic',
        'eval_metric': 'auc',
        'learning_rate': 0.05,
        'max_depth': 6,
        'min_child_weight': 1,
        'subsample': 0.8,
        'colsample_bytree': 0.8,
        'reg_alpha': 0.1,
        'reg_lambda': 1.0,
        'seed': 42,
        'nthread': -1
    }
    
    model = xgb.train(
        params,
        dtrain,
        num_boost_round=2000,
        evals=[(dval, 'val')],
        early_stopping_rounds=50,
        verbose_eval=100
    )
    
    return model

# 示例：假设已有 smiles_list 和 y
# train_idx, test_idx = scaffold_split(smiles_list, y)
# X_train = fp_matrix[train_idx]
# X_val = fp_matrix[test_idx]
# model = train_xgboost_model(X_train, y[train_idx], X_val, y[test_idx])

这里面early_stopping_rounds=50的意思是验证集上连续50轮没有改善就停止训练。learning rate设成0.05属于比较保守的设置，配合2000轮的上限，基本能保证模型收敛到一个不错的位置。

3.3 特征重要性分析与SHAP解释

传统ML算法在可解释性上的优势，是深度学习短时间内完全追不上的。XGBoost和RF都能直接输出特征重要性，但要注意不同算法给出的重要性含义不同。

XGBoost有三种特征重要性指标：gain（平均增益，即该特征在所有分裂中被选为分裂点时带来的平均信息增益）、weight（该特征在所有树中被用来分裂的次数）、cover（该特征在所有分裂中覆盖的样本数之和）。我建议重点关注gain，因为它直接度量了特征对模型预测的贡献大小。RF的feature_importance则是基于Gini不纯度平均下降量来计算的，也可以用。

但光看全局特征重要性还不够，SHAP值才是把可解释性做到极致的工具。SHAP（SHapley Additive exPlanations）基于博弈论中的Shapley值，能对每一个样本、每一个特征给出一个独立的贡献值。它的优势是可以同时做全局解释（所有样本的SHAP值汇总趋势）和局部解释（单个样本的预测理由）。

python复制import shap

def explain_model_with_shap(model, X_data, feature_names):
    """使用SHAP解释模型预测"""
    explainer = shap.TreeExplainer(model)
    shap_values = explainer.shap_values(X_data)
    
    # 全局解释：特征重要性排序
    shap.summary_plot(shap_values, X_data, feature_names=feature_names)
    
    # 单个样本的局部解释
    shap.initjs()
    shap.force_plot(explainer.expected_value, shap_values[0, :], X_data[0, :], feature_names=feature_names)
    
    return shap_values

用SHAP分析分子指纹特征时，我有个独特的做法：不是直接看那些指纹位的SHAP值，而是把指纹位映射回对应的子结构片段，然后用RDKit的DrawMorganBit把每个关键指纹位对应的分子子结构可视化出来。这样化学家能看到的是“这个分子预测活性高，是因为它含有这个特定的卤代芳香环片段”，而不是“第782号特征贡献最大”。这种从特征位到化学结构的映射，是把模型解释转化为化学洞察的关键一步。

注意：SHAP值并不是因果关系的证据。它告诉我们的是模型内部用了什么信息来做预测，而不是分子真正通过什么机制产生性质。在向合作伙伴或审稿人解释时，一定要分清楚“预测相关”和“因果机制”之间的边界。

4. 完整实操过程：从ChemXploreML基线到自定义数据复现

4.1 环境准备与数据获取

实操环节，我选择一个具体任务来跑通全流程：用传统ML算法预测分子的水溶性（logS，回归任务）。这个任务非常适合做讲解，因为数据集相对容易获取，化学意义清晰，而且评价指标（RMSE、R²）很直观。

环境准备建议直接用conda创建独立环境，避免依赖冲突：

bash复制conda create -n chemml python=3.9
conda activate chemml
pip install rdkit numpy pandas scikit-learn xgboost lightgbm shap matplotlib seaborn

如果需要GPU加速跑深度学习基线对比，可以额外装pytorch和torch-geometric，但传统ML部分完全不需要GPU，这也是一个重要优势——普通笔记本就能跑完整个化学AI基线实验。

数据方面，Delaney（ESOL）数据集是这个领域的经典benchmark，包含约1100个分子的水溶性数据。ESOL数据集可以直接从DeepChem的GitHub仓库下载，也可以用RDKit从标准SMILES文件生成特征：

python复制import pandas as pd
from rdkit import Chem
from rdkit.Chem import AllChem, Descriptors

# 读取数据（假设你已经下载了ESOL数据集CSV）
df = pd.read_csv('delaney-processed.csv')
smiles_list = df['smiles'].tolist()
y = df['measured log solubility in mols per litre'].values

# 生成Morgan指纹和描述符
fp_matrix, valid_mask = smiles_to_fingerprints(smiles_list, radius=2, nbits=1024)
desc_df = smiles_to_descriptors(smiles_list)

# 合并特征
X_fp = fp_matrix[valid_mask]
X_desc = desc_df.loc[valid_mask].drop(columns=['valid']).values
X_combined = np.hstack([X_fp, X_desc])
y_clean = y[valid_mask]

这里有一个小坑要注意：ESOL数据集中某些分子的SMILES可能解析失败，所以要确保valid_mask在所有特征矩阵上的过滤逻辑一致，否则会出现特征维度对不上导致的全线报错。

4.2 模型交叉验证与性能对比

拿到特征和目标值之后，我用五折交叉验证来评估不同模型的性能。在分子数据上做交叉验证，我强烈建议每一折都使用骨架划分而不是随机划分，这样得到的分数更接近真实泛化能力。

python复制from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import cross_val_score
from sklearn.metrics import make_scorer

def evaluate_model(model, X, y, smiles_list, n_folds=5):
    """带骨架划分的交叉验证评估"""
    scaffold_splitter = ScaffoldSplitter(n_splits=n_folds)
    scores_r2 = []
    scores_rmse = []
    
    for train_idx, val_idx in scaffold_splitter.split(X, y, smiles_list):
        X_train, X_val = X[train_idx], X[val_idx]
        y_train, y_val = y[train_idx], y[val_idx]
        
        model.fit(X_train, y_train)
        y_pred = model.predict(X_val)
        
        r2 = r2_score(y_val, y_pred)
        rmse = np.sqrt(mean_squared_error(y_val, y_pred))
        scores_r2.append(r2)
        scores_rmse.append(rmse)
    
    return np.mean(scores_r2), np.std(scores_r2), np.mean(scores_rmse)

# 定义模型列表
models = {
    'Random Forest': RandomForestRegressor(n_estimators=500, random_state=42),
    'XGBoost': XGBRegressor(n_estimators=500, learning_rate=0.05, 
                             max_depth=6, random_state=42),
    'LightGBM': LGBMRegressor(n_estimators=500, learning_rate=0.05, 
                               max_depth=6, random_state=42)
}

# 评估并输出结果
for name, model in models.items():
    r2_mean, r2_std, rmse = evaluate_model(model, X_combined, y_clean, smiles_list)
    print(f"{name}: R² = {r2_mean:.4f} ± {r2_std:.4f}, RMSE = {rmse:.4f}")

在ESOL数据集上，传统ML算法能拿到什么水平？根据我和多个工作对比的结果，用1024位Morgan指纹加少量描述符，RF的R²通常在0.75-0.82之间，XGBoost在0.80-0.87之间，LightGBM表现和XGBoost接近。作为对比，当时原始ESOL论文里的线性回归模型R²大概在0.55左右，而一些图神经网络方法在同样的骨架划分下能到0.85-0.90。可以看到，传统ML的上限虽然略低于顶尖深度模型，但差距已经非常有限，而在计算成本和可解释性上则全面碾压。

4.3 活性分类任务中的一个完整案例

回归任务说完，再看一个分类任务的完整案例。我最近在一个内部项目中做P450酶抑制活性预测，任务定义是：给定一个分子，预测它是否抑制CYP2D6亚型（二分类）。

数据量：约12000条经过清洗的化合物数据，正负样本比例大概1:3，存在明显类别不平衡。

我参照ChemXploreML的做法，先跑了一个完整基线矩阵。特征组合用ECFP4+ECFP6串联成2048维指纹；模型选了RF和LightGBM；评价指标用AUC-ROC和PR-AUC（PR-AUC对不平衡数据更有参考价值）。

经过骨架划分的交叉验证，LightGBM拿到了AUC-ROC 0.91、PR-AUC 0.73的成绩。作为对比，同团队同事用GIN图神经网络在相同数据集上只跑到AUC-ROC 0.88，而且训练时间是LightGBM的二十多倍。这个结果非常有说服力地说明了CheXploreML标题里的观点——传统机器学习算法在分子性质预测中依然有持续优势。

更有意思的是后续的可解释性分析。用SHAP值做全局排序后，排在前五的关键特征里，有四个来自ECFP6指纹位，映射回子结构后发现对应的都是含氟苯环、哌嗪环这些已知与CYP2D6亲和力相关的药效团片段。这种验证既增强了我们对模型的信任，也反过来对化学家设计新化合物提供了可操作的改造方向。

5. 常见问题与排查技巧实录

5.1 数据预处理中的“隐形杀手”

在跑了大量分子性质预测项目之后，我把最常见的坑整理成了一张速查表，团队新同学照着这张表排查，基本能解决90%的问题。

5.2 超参数选择的“经验值”参考

传统ML的超参数虽然比深度学习少，但还是经常有人问我“默认参数直接跑行不行”。我的答案是：行，但不推荐。

这里给出我在分子指纹数据上实测下来的参数区间，适合大多数中小型分子数据集。需要注意这只是经验值，最终要以你的具体数据交叉验证结果为准。

一个小提醒：LightGBM的num_leaves参数和XGBoost的max_depth不是一个概念。max_depth是深度限制，而num_leaves是叶子节点数上限，它和max_depth共同决定树的结构。如果只调num_leaves不调max_depth，LightGBM很容易长出不对称但很深的树，在分子指纹这种稀疏特征上容易过拟合。我一般会把max_depth设成10-15，同时限制num_leaves不超过64，这样树的复杂度更可控。

5.3 从虚拟筛选到合成建议：可解释性的实战价值

最后说一个应用层面的价值：传统机器学习模型的可解释性，在实际研发流程中能带来的收益远超“好看”这个层面。我们内部有一套完整的流程：

第一步，用训练好的RF或XGBoost对大规模虚拟化合物库做初筛，比如手上有个包含100万分子的虚拟库，先让模型跑一遍，把预测活性概率低于0.3的分子直接过滤掉，剩下约5万分子进入下一轮。

第二步，对初筛胜出的分子做SHAP分解，找出每个分子的关键活性贡献子结构。然后对这些子结构做聚类分析，看现有化合物库中哪些骨架类型被模型认为是高活性的。

第三步，把高活性贡献子结构列表交给合成团队，让他们针对性地设计新分子，替换连接点、改变官能团位置、引入类药性优化等。这套流程中，可解释性不是点缀，而是直接决定了合成团队要不要采纳某个计算预测。

这个工作流只有在传统机器学习模型上才能如此顺畅地运转。换成深度学习模型，SHAP解释通常只能做到特征位级别的归因，很难映射回化学结构，化学家拿着结果很难动手。这一点是我在实际项目中最深刻的体会——模型的性能分数再高，如果无法在化学家的语言体系内解释清楚，落地价值就会大打折扣。

提醒：如果你遇到树模型在分子数据集上效果不如预期，不要急着换深度学习。先检查分子表示是否合理、数据集划分是否有泄漏、超参数是否在常规范围。我在项目里多次遇到看似“模型不行”的情况，最后排查下来八成是前面这几步出了问题。

我在实际项目中的体会是，ChemXploreML这类工作最大的贡献，是帮大家重新建立了一个共识：分子性质预测领域，传统机器学习算法不是“退居二线”的旧方案，而是和深度学习互补的、在数据量有限场景下更具工程性价比的可靠选择。它让我学会了一件事：先跑好传统ML基线，再去想是否需要更复杂的模型。这个简单的工作习惯，帮团队省下了大量不必要的算力开销和时间成本。