5.3 常见陷阱与六周学习路线

5.3.1 陷阱的分布规律：错误沿管线聚簇

全书五卷走完，回头看决定成败的因素：模型架构很少排第一，排第一的是管线里的细节——数据有没有洗干净、划分有没有泄漏、结论有没有越过证据。高频错误不是随机的个人失误，它们聚在三处：数据进入模型之前、模型拟合的过程之中、指标变成结论的那一刻。本节把这三处分别称为数据侧(data-side)、训练侧(training-side)与评估侧(evaluation-side)，共十三条，每条按同一结构展开：机理（为什么会错）、症状（在哪暴露）、对策（怎么堵住），并链回讲透该机理的小节。这一趟既是排雷，也是全书原理的最后一遍总复习。

组织方式有明确的方法学依据。Tropsha 等（2003）在 QSAR 时代即断言：没有严格外部验证的模型一文不值，验证“是绝对必需”；Fourches 等（2010）用系统实验证明，结构清洗环节的取舍足以颠覆模型排名；Kapoor 与 Narayanan（2023）清点了 17 个领域、294 篇受数据泄漏(data leakage)影响的论文，指出泄漏正是复现危机的主要病灶。三条文献共同指向一个结论：多数失败不在模型，在协议。协议的四个成分，就是任何一个指标数字的全部来源：

三条侧别之间是单向管线：数据侧的病会带进训练，训练侧的错觉会沉淀为评估侧的错误结论；反过来不成立——训练救不了脏数据，指标挽不回错误的划分。因此排查按图 5.3-1 的次序走：先查数据，再查训练，最后核对评估协议。

5.3.2 数据侧：进入模型之前

1. D-1｜未清洗的盐与互变异构让“同一分子”分裂成两个样本。机理：同一化合物在不同记录里可能写作游离碱、盐形式(salt form)或不同互变异构体(tautomer)；规范化之前，字符串不同就意味着分子图不同。症状：活性相近的两条记录分居训练集与测试集，模型只要认出“老朋友”就能答对；统一规范化再去重后，样本量与指标同时缩水。对策：建模前过 2.6 节的清洗工序——去盐保留母核、统一互变异构与电荷状态，然后去重；清洗日志与前后计数一并入库。Fourches 等（2010）的结论：清洗流程本身即是建模的一部分。

2. D-2｜重复与近重复跨集泄漏。机理：随机划分只保证“这一行”不重复出现，不保证“这个分子”只出现一次；骨架相同、侧链微调的近重复(near-duplicate)在 ChEMBL 一类数据库里大量存在，随机划分后它们恰好分居两侧。症状：随机划分成绩漂亮，换成 1.3 节的骨架划分(scaffold split)即大幅下滑；两个划分的差值就是泄漏规模的估计。对策：划分前按规范化结构去重，以骨架为单元分组划分；两种划分的对照结果同报，差值过大时只信严格的那一个（另见 2.6 节）。

3. D-3｜解析失败被静默丢弃，造成选择偏差。机理：批量读入 SMILES 时，个别记录语法非法或原子价反常，解析器返回空值；管线若用异常捕获后继续，失败便无声消失。症状：数据集规模悄然变小，报告里的样本数与下载时对不上；被丢的往往是金属配合物、盐与格式古怪的记录——丢得并不随机。对策：失败记录单独落盘、计数、报告失败率；抽查失败样例判断与任务是否相关，相关则修复，不可修则在文中声明。详见 3.2 节的特征化管线。

4. D-4｜特征化漏掉关键属性，封住性能上限。机理：特征是模型能看到的全部化学。默认指纹若不编码电荷与手性，构型不同的两行在该表示之下完全相同——信息在进入模型之前已经丢了，再强的模型也找不回来。症状：含手性中心的任务上模型停在基线水平，换更深网络也不涨。对策：先问任务依赖哪些化学属性，再选能覆盖它们的表示（1.2 节的三种面貌、3.2 节的管线）；用“表示能否区分已知有别的分子对”做健全性检查，2.4 节的描述符是现成的补充维度。

5.3.3 训练侧：拟合的错觉

1. T-1｜默认划分刷高成绩的错觉。机理：MoleculeNet 一类加载器的默认划分多为随机划分（Wu et al., 2018），而分子数据高度同质，随机划分近似开卷考试——考题的近亲都在练习册里。症状：随机划分 ROC-AUC 冲上 0.9，骨架划分跌回 0.7 上下；真实虚拟筛选更接近后者的条件。对策：结论一律以骨架划分为准，随机划分只作对照并同报差值；这与 1.3 节的口径一致。

2. T-2｜类别不平衡下用准确率自欺。机理：Tox21 类任务的类别不平衡(class imbalance)可以到十比一以上，准确率的分母被负例主导，全预测负例即可拿高分。症状：accuracy 0.92 看似可用，换成 AUC 或平衡准确率就原形毕露——模型只学会了“说负例”。对策：不平衡任务改用对类别先验不敏感的指标（AUC、PR-AUC、平衡准确率），训练侧按 3.7 节加权损失或重采样；指标语义见 3.3 节。

3. T-3｜多任务把缺失当负例。机理：多任务标注矩阵稀疏，“未测”不等于“无活性”；把缺失值直接填零，等于向模型注入成片的错误标签。症状：任务越多指标越差；给某任务补充数据，无关任务反而波动。对策：损失计算按掩码跳过缺失项，核对加载器的掩码语义——3.7 节的 Tox21 管线已内置，自行处理数据时别用零填充代替掩码。

4. T-4｜层数迷信与感受野不足。机理：一层消息传递后，节点只看得到相邻的键；要覆盖整个分子，层数须与感受野(receptive field)需求匹配，即分子图直径的量级，继续加深则被过度平滑(over-smoothing)抵消——节点表示趋同，判别力不升反降。症状：盲目加深后曲线平台甚至回落；太浅的网络连取代基与母核的关系都覆盖不到。对策：层数从小往大扫，配 3.5 节的读出函数与残差连接；机理见 3.4 节。

5. T-5｜小数据单种子下结论。机理：千级样本上，初始化与数据顺序的随机性足以让指标波动数个百分点，单次运行的方差与待比较的模型差距同量级。症状：换个种子排名反转；文献里 0.02 的提升别人复现不出。对策：至少三到五个种子，报均值与标准差，差距小于标准差量级就不下结论；3.8 节的协议是模板，Kapoor 与 Narayanan（2023）给出的对照组建议同此。

5.3.4 评估侧：结论的成色

1. E-1｜测试集调参。机理：测试集一旦参与任何决策——选超参、选停止轮数、选特征——它就从考卷变成练习册，信息经人这个通道回流进模型。症状：测试指标次次新高，换一批新数据即崩；不同笔记本里的“测试集”其实已被看过几十次。对策：决策只对验证集做，测试集只在最终报告前碰一次；3.8 节的诚实协议即为此设计。Kapoor 与 Narayanan（2023）把它列为泄漏的典型类别。

2. E-2｜指标选择偏差与早富集忽视。机理：虚拟筛选的成本结构决定“排在前面的几百个里有多少真阳性”比全局 AUC 更要紧；同一对模型在不同指标下可以一好一坏，指标选偏即结论选偏。症状：AUC 相近的两个模型，富集能力差出数倍；按 AUC 选模型，湿实验团队却按顶部命中率验收。对策：按下游用法选指标——排序任务补报早富集(early enrichment)与 PR 曲线（3.3 节、3.7 节）。

3. E-3｜生成模型的单一指标作弊。机理：目标导向生成的打分函数只是性质的代理，代理必有缝。惩罚化 LogP(penalized LogP)不充分惩罚超长链与反常稠环，优化器就造出高分长链“怪物”——既不可合成也无药理意义。症状：分数逼近理论上限，分子却像聚合物；有效性满分、类药性趋零。对策：多指标面板联合报告（有效性、唯一性、新颖性、QED、SA），顶部分子人工抽检；GuacaMol（Brown et al., 2019）与 MOSES（Polykovskiy et al., 2020）是现成面板，见 4.1 节。

4. E-4｜不同划分与数据集的结果横比。机理：式 (5.3-1) 已说明，指标是四元组的函数；文献表格常抹去后三项，只留模型名与数字。症状：拿甲文随机划分的 0.85 去压乙文骨架划分的 0.78，得出颠倒的结论。对策：横比前先对齐四元组——同数据、同划分、同指标定义；对不齐就自己按同一协议复跑，或只比同文内的相对差距。4.7 节的前沿阅读以此为前提。

5.3.5 六周学习路线：从地基到生成

本书的三大框架天然给出一条递进路线：RDKit 打地基，DeepChem 讲预测，TorchDrug 讲生成，各占两周。六周不是魔法数字，是三段“读—跑—测”循环的容器：每段先读对应小节与官方文档，再跑通实操，最后用自测问题验收。每周有一个交付物——能拿给别人看的产物；每周有一道自测——过不了关就不收尾。总览见图 5.3-2 与下方周次表。

• 第 1 周 · 分子对象与表示（2.1–2.3）
  Mol 对象、SMILES 读写与规范化、SMARTS 匹配；对照 RDKit Getting Started 相应篇目逐例敲一遍。交付：批量解析脚本——一万行 SMILES 进，规范化分子与失败清单出。自测：合上书画出 SMILES→Mol→规范化→指纹的数据流，并说出每一步丢掉的信息。
• 第 2 周 · 指纹、描述符与清洗（2.4–2.7）
  摩根指纹与 Tanimoto、描述符、2.6 节清洗工序、反应表示。交付：小数据集清洗报告——去重前后计数、互变异构统一数、解析失败率。自测：向同学讲清 Tanimoto 为何落在 0 与 1 之间、两位指纹碰撞意味着什么。
• 第 3 周 · 特征化与基线（3.1–3.3）
  DeepChem 三层抽象、特征化管线、随机森林基线与 ROC。交付：Tox21 单任务基线笔记本与指标。自测：讲透阈值、真阳性率与 AUC 三者的关系，并回答“基线不过关为什么不许上神经网络”。
• 第 4 周 · 图卷积与诚实评估（3.4、3.5、3.7、3.8）
  消息传递与读出函数、多任务掩码、骨架划分与多种子协议。交付：双划分 × 五种子的对比表，附标准差。自测：面对“我的 0.95 是不是假的”，把 5.3.4 的自查五问完整答一遍。
• 第 5 周 · 生成入门（4.1–4.4）
  在 5.2 节的 torchdrug-arch 沙箱内跑通 GCPN 或 GraphAF 官方教程，固定全部种子。交付：训练曲线与采样分子集。自测：画出逐原子决策流，标出每一步的“策略来自哪里、价值来自哪里”。
• 第 6 周 · 生成评估（4.5、4.6，面板回到 4.1）
  多指标面板评采样集：有效性、唯一性、新颖性、SA 与 QED，顶部分子人工抽检。交付：一页生成质量报告。自测：讲清 penalized LogP 作弊的机理，并给出两条对策。

5.3.6 三个进阶课题：承接全书的下一步

课程止于六周，学习不止。下面三个课题各以一条主线为主、兼触另外两条，规模控制在数周之内，数据全部公开可得。总览见表 5.3-1，逐个展开附卡点提示(sticking-point hint)——数据从哪来、哪一步最容易翻车。

课题一：ChEMBL 单靶点 pIC50 预测

从 ChEMBL 网页接口取某一靶点的 IC50 标注，固定 release 版本号并记录哈希。协议完整走一遍诚实流程：2.6 节清洗（去盐、互变异构统一、去重）→ 1.3 节骨架划分 → 描述符加随机森林基线（3.3 节）→ GraphConv 或 AttentiveFP（3.5 节）→ 三到五个种子报均值与标准差（3.8 节）；RMSE 与 Spearman 相关系数同报，随机划分与骨架划分同报。

卡点提示。数据侧两处最易翻车：其一，单位与关系符号——nM 与 μM、“<”与“>”的记录混在原始表里，不过滤、不换算就全盘皆输，只取等号记录是最稳的起点；其二，同一化合物多次测量要按统一规则聚合（如取中位数），直接展开等于给常测化合物加权。pIC50 = −log₁₀(IC50[mol/L])，换算失误就是一个数量级的错误，先在两三个已知分子上对账再批量算。

课题二：分布学习复现（MOSES 指标面板）

在 MOSES 语料上训练一个 SMILES 语言模型基线，采样后跑全套面板：有效性、唯一性、新颖性、FCD、片段与骨架相似度（Polykovskiy et al., 2020），并与官方公布的基线对照。分布学习(distribution learning)的评估要义见 4.1 节：模型学到的是训练集的分布，不是某个单一分数。

卡点提示。官方 train/test 划分必须原样沿用，自造划分后 FCD 与新颖性全部失去可比性；解码温度与每个分子的采样数直接改变唯一性与多样性，数值必须写进报告；FCD 依赖预训练模型，按 5.2 节锁定版本。

课题三：目标导向生成与作弊面分析

把 4.6 节 GraphAF（或 4.4 节 GCPN）的奖励从 penalized LogP 换成 QED，或 QED 与 SA 的加权和；固定预算重训，比较两代生成分布的漂移；然后主动找新打分函数的作弊面——哪类骨架能刷高分而不成药。目标导向生成(goal-directed generation)的打分函数是人给的价值观，换一个函数就换一种作弊方式。

卡点提示。奖励两项先归一到可比尺度，否则策略梯度在两项之间失衡（4.3 节的基线减方差同此理）；TorchDrug 只在 5.2 节的 torchdrug-arch 沙箱中运行，绝不与主力环境混装；每个种子的顶部分子留档并人工抽检——面板数字与“分子可用”之间，永远隔着人的眼睛这一道关。

5.3.7 收官：三条主线与持续学习

全书三条主线至此可以收拢。第一条是表示(representation)：分子先变成数，化学的保留与丢失在表示里就已决定——1.2 节的三种面貌、第二章的 RDKit 工具、3.2 节的特征化管线层层展开，结论只有一句：表示的上限就是模型的上限。第二条是评估(evaluation)：分数是四元组的函数（式 5.3-1），1.3 节的骨架划分、3.3 节的基线与 ROC、3.8 节的诚实协议、4.1 节的生成面板一路铺设，结论的成色取决于协议，不取决于模型新旧。第三条是生成先验(generative prior)：第四章把生成模型拆成分布先验加目标引导，先验来自数据，引导来自打分函数，而打分函数必有可钻的缝——防作弊靠多指标面板加人的眼睛。三条主线相互约束：换表示改变评估难度，换打分函数改变生成分布，评估协议决定前两者的结论是否可信。

主页与 5.1 节反复重申的那句话在此作结：框架会老去，原理不会。RDKit 逐年迭代，DeepChem 的稳定版停在 2.8.0，TorchDrug 冻结于 0.2.1 而思想由 5.1 节的 Graphium 等活跃项目承接——工具层五年一换，清洗、划分、基线、多种子、多指标这套原理层的检查清单不随任何版本作废。学工具，读官方文档；学原理，回到各章追问“为什么”的段落。

往后的路是一个循环。读论文：先读方法与评估节，用四元组拆解结果表，再判断数字的成色；复现：从 5.2 节的锁定环境起步，以 5.3.6 的课题练手，让每一个结论都经得起别人重建；参加社区基准：GuacaMol、MOSES 一类公开面板（Brown et al., 2019；Polykovskiy et al., 2020）提供现成的协议约束，让别人的标准管住自己的手。最后回到起点：1.1 节的药物发现漏斗。Scannell 等（2012）诊断出单位研发投入的新药产出数十年间下降了一个数量级以上——更快的模型并不自动等于更多新药。分子机器学习的位置在漏斗之内；诚实的评估，是它留在漏斗之内的资格。全书至此收束，愿这六周与三条主线，成为你继续走下去的地基。