简介药物相互作用DDI预测是药物研发和临床用药安全中的关键问题传统实验方法成本高昂而深度学习技术为海量药物组合的快速筛查提供了高效方案。在技术实现中SMILES字符串与分子指纹是药物分子结构编码的两种核心表示方式借助Python生态中的RDKit、PyTorch等工具可以构建从数据清洗、特征工程到模型训练与评估的完整链路。基于Jupyter Notebook的交互式环境开发者能够直观地完成数据探索和结果可视化并利用AUC等指标客观衡量模型性能。这类项目不仅适用于毕业设计与课程设计还能为药物早期筛选、临床合理用药提醒等场景提供可落地的技术参考。从最简单的指纹拼接MLP模型入手逐步过渡到SMILES序列CNN甚至图神经网络即可系统掌握深度学习在药物信息学中的工程实践方法。 做毕业设计也好课程设计也罢医学信息学方向的项目这两年越来越受欢迎尤其“药物相互作用预测”这种题目既有医学背景又带深度学习建模容易出工作量、也有故事可讲。我今年完整做了一个基于 python Jupyter Notebook 的深度学习药物相互作用预测项目从数据处理、分子结构编码、模型训练到项目文档撰写每一环都踩过不少坑。这篇文章把完整思路和可复现的实操方案整理出来正在选毕设题目的同学、想拿真实项目练手的开发者都可以把这份内容当作一份“可以直接照着做”的参考。很多人一听到“药物相互作用”就觉得要懂很深奥的药理实际上这个项目落地的核心是如何把药物的化学结构转成计算机能算的数字再让深度学习模型学会判断“两种药一起用的时候有没有可能发生相互作用”。我不打算让文章变成又一篇泛泛而谈的AI介绍所以我尽量按真实开发顺序写把Jupyter Notebook里的每一步、每个代码片段、每次报错都摊开讲清楚。文中的源码和思路是基于我实际跑通的项目整理出来的可以直接迁移到你的毕设、课设或者个人项目中。1. 项目定位与整体设计思路1.1 药物相互作用预测到底解决的什么问题药物相互作用预测英文常用 Drug-Drug Interaction Prediction简称 DDI 预测。它做的事情很简单给定两种药物判断它们联合使用时会不会产生不良反应或疗效异常。临床上患者经常需要同时服用多种药物而药物之间可能互相影响代谢、吸收或作用机制轻则降低药效重则产生毒性反应。传统方法靠临床试验和体外实验耗时长、成本高而且对海量候选组合逐个验证并不现实。如果用深度学习来做核心思路就是把已知的药物对作为训练样本把两种药物各自的分子结构特征提取出来交给神经网络去学习“有相互作用”和“没有相互作用”之间的关系。模型训练好之后就可以输入一个从未见过的药物组合快速给出预测概率。这种方案在药物研发早期筛选、临床用药提醒等场景中有实际价值也是这个项目为什么能成为热门毕设题目的原因有明确的应用背景、有公开数据集、有清晰的技术路线。1.2 从标题拆解项目的三层交付物我拿到这个题目时先拆了一下需求发现它其实是三层交付物叠加第一层是源码。需要一套能跑通的 Python 代码包括数据处理、特征构建、模型定义、训练和评估。这部分要放在 GitHub 或码云上代码风格要干净注释要够。第二层是项目文档。毕业设计和课程设计都要求交论文或报告文档里要写清楚选题背景、相关研究、系统设计、实验结果、结论与展望。第三层是参考论文。这类题目的经典论文不少从早期的基于相似度的方法到后来用图神经网络的方法都有很成熟的套路可以参考。我建议你开发的时候先跑通一条最小可行路径数据量不用大、模型不用复杂先让完整流程走一遍再去调精度。这一点特别重要很多同学一上来就堆 Transformer、堆图神经网络结果中间某个环节报错查了一整天都定位不了问题。最稳妥的做法是先用简单的分子指纹 多层感知机跑通全流程再逐步升级模型。1.3 课题选型的经验判断基于我自己的经验这类项目适合三类人毕设方向偏 AI 应用的学生尤其是计算机、软件工程、生物信息学相关专业。课程设计需要“有后劲”的项目不想只写一个 CRUD 管理系统的人。想通过实际项目系统掌握 Python 数据处理和 PyTorch 建模的开发者。从工作量分配看数据处理大约占 40%模型训练与调优占 40%文档和实验分析占 20%。很多初次做的人误以为模型是重头戏但实际上这个项目里最容易翻车的反而是数据处理环节。比如正负样本不平衡、药物结构数据缺失、指纹特征和标签之间的顺序不对齐这些都会让模型指标变得很虚假。2. 技术选型与核心原理2.1 为什么选择 Python Jupyter Notebook技术选型决定了开发体验。Python 在数据科学领域的生态优势是无可替代的尤其像 RDKit、PyTorch、scikit-learn、pandas 这类库正好覆盖了药物结构处理和机器学习建模的全部需求。选择 Jupyter Notebook 作为开发环境有两个很实际的原因第一探索式开发效率高。药物数据处理的中间结果非常多Jupyter 的单元格执行机制可以让你分步查看 DataFrame 的长相、分子对象的信息、张量的形状而不必反复 print 整个终端。第二展示效果好。毕业设计答辩时直接把 Notebook 里的可视化结果训练曲线、混淆矩阵、预测样例展示出来比用 PPT 念代码直观得多。Jupyter Notebook 和 Jupyter Lab 的区别也提一句Notebook 是传统单文档交互界面Lab 是更现代的集成工作区可以同时打开多个 Notebook、终端、文件浏览器。对于本项目两个都行。我更推荐 Lab因为你时常需要一边写代码一边用终端查看 pip 包是否装好。如果 Windows 上打开 Jupyter Notebook 出现空白页面通常不是环境坏了而是浏览器缓存或端口冲突问题换个浏览器或执行 jupyter notebook --no-browser 基本都能解决。2.2 分子特征表示方案从 SMILES 到分子指纹药物分子在计算机里的表示方式决定了深度学习模型能学到什么。最早级的方式是用 SMILES 字符串这是一种用 ASCII 字符描述分子结构的语法。但字符本身不适合直接作为深度学习输入所以通常要转成更结构化的表示。我在项目中主用的是分子指纹。分子指纹可以理解为把分子的结构特征编码成一个固定长度的向量比如 2048 位的二进制序列每一位表示是否存在某种子结构。专门做这件事的工具是 RDKit它提供了成熟的计算接口。一个源自 SMILES 的分子通过 RDKit 的 RDKFingerprint 或者 Morgan 指纹生成器很快能得到浮点或二进制的特征向量。以 Morgan 指纹为例它的原理是基于分子中各原子周围的环境生成圆形子结构再通过哈希映射到固定长度的位向量中。radius 取 2 时等价于 ECFP4 指纹这是药物分子表征里最常用的配置之一。实际操作中我用 radius2、nBits2048 作为默认参数。2048 位是经验值太短容易碰撞太长会带来维度灾难和训练变慢。对 2000 个左右药物分子、几十万对组合的数据规模来说2048 维是一个兼顾精度和计算速度的平衡点。2.3 深度学习模型选型与对比模型部分我一开始准备直接上图神经网络因为药物分子本身可以天然建模成图结构原子是节点化学键是边。图神经网络用于 DDI 预测确实是当前的主流方向之一但问题在于实现复杂度偏高很多同学会在图构建、批次对齐这些环节卡住。为了平衡效果和可实现性我最终在项目里实现了两条路线方案一拼接式 MLP。将两种药物的指纹特征拼接成一个 4096 维向量接两层全连接和 Dropout输出二分类概率。训练快代码简单适合跑通全流程。方案二CNN 文本式编码。将 SMILES 字符序列化后通过 Embedding 层转换为向量再用一维卷积提取局部特征最后融合两种药物的特征做预测。这个方案能捕捉一些序列模式实现也不算复杂。我也对比过简单 GCN 的实现但说实话对于入门型项目MLP 基线如果能达到 0.85 以上的 AUC已经足够写论文和答辩了。把 GCN 作为对比实验写进文档留给后续扩展反而更合理。下面是关于模型方案的快速对比方案特征输入模型复杂度训练速度AUC 参考范围适用场景指纹 MLPMorgan 指纹低快0.83-0.88基础基线、快速验证SMILES CNN字符 Embedding中中0.85-0.90过程可解释性好分子图 GCN原子/键图结构高慢0.88-0.93进阶优化、论文重点扩展2.4 为什么用 AUC 作为核心评估指标药物相互作用数据集天然存在正负样本不平衡的问题已知有相互作用的药物对数量远少于所有可能的药物组合数量。如果只看准确率模型只要全部预测为“无相互作用”就能拿到很高的准确率但毫无使用价值。所以这个项目最核心的指标是 AUC即 ROC 曲线下的面积。AUC 不依赖于固定的分类阈值对类别不平衡问题相对稳健。AUC 0.85 可以理解为随机拿一个正样本和一个负样本模型把正样本排在前面的概率是 85%。这个解释在论文里写出来答辩老师一定会认可。3. 环境搭建与数据处理3.1 从零搭建开发环境我推荐你用 Anaconda 管理 Python 环境。直接去官网下载 Anaconda 最新版安装完成后它自带 Python、Jupyter Notebook、以及常用数据科学库。如果你是 MacOS 或 Linux 用户直接在终端执行 conda create -n ddi python3.9 创建独立环境Windows 下也可以使用 Anaconda Prompt。在这个项目里我实际创建了一个名为 ddi 的虚拟环境Python 版本是 3.9。版本选择是一个实际经验问题DGL、PyTorch 等库对新版本 Python 的支持有时候会慢半拍而 3.9 是兼容性很好的版本。在虚拟环境里需要安装的关键包如下pip install torch pip install rdkit pip install pandas numpy scikit-learn pip install jupyterlab pip install matplotlib seaborn其中 rdkit 是药物化学结构相关操作的核心库如果直接 pip 安装失败建议使用 conda 安装conda install -c conda-forge rdkit国内网络环境下如果个别包下载速度慢切换国内镜像源是常规操。我每次新装环境都会顺手把 pip 源换成清华源实测下来问题会少很多。3.2 数据集选择与获取渠道药物相互作用预测领域有几个公开数据集可以用。最主流的是 DrugBank 数据集它是收集了大量药物信息及其相互作用关系的综合性数据库。另外也有 TWOSIDES、ChEMBL、DDInter 等来源可选。我的建议是毕设项目合理选择 DrugBank 解析后的公开子集或者直接使用论文附带的张量/比对数据。如果你选择完整版 DrugBank需要先进行授权申请。部分版本的 DrugBank 数据解析起来字段很乱方便起见我在项目中提供了一个数据预处理脚本把原始输入统一整理成一个 CSV 文件包含三列drug_A药物 A 的 SMILES 字符串drug_B药物 B 的 SMILES 字符串label1 表示存在相互作用0 表示不存在正样本来自 DrugBank 中注释为相互作用的药物对负样本从所有药物对里随机采样并按一定比例控制。为了避免正负样本数量悬殊影响训练我在项目里把正负样本比例控制在 1:1 到 1:1.5 之间。比如正样本 20000 对负样本采样 25000 对这样既保证类别相对均衡又不至于损失太多数据信息。3.3 数据预处理流程与代码实现数据预处理这一段是项目里最琐碎但也是最容易出错的部分。我整理了一个清晰的流水线读取原始 CSV剔除缺失 SMILES 或标签的行。将 SMILES 通过 RDKit 转成分子对象转换失败的记录直接丢弃。对每个合法分子对象生成 Morgan 指纹得到 2048 维特征向量。把两份指纹拼接构建训练样本的特征矩阵。划分训练集、验证集、测试集比例是 7:1:2。我实际使用的指纹生成代码大致如下from rdkit import Chem from rdkit.Chem import AllChem import numpy as np def smiles_to_fingerprint(smiles, radius2, n_bits2048): mol Chem.MolFromSmiles(smiles) if mol is None: return None fp AllChem.GetMorganFingerprintAsBitVect(mol, radius, nBitsn_bits) arr np.zeros((1, n_bits), dtypeint) fp_arr np.array(fp) arr[0, :] fp_arr return arr.flatten()这段代码里的 MolFromSmiles 就是用来把字符串解析成分子对象的如果遇到非法结构会返回 None这种记录我会直接删掉而不是强行补缺失因为一个非法结构本身说明数据源有问题。之后再用生成器计算指纹时建议把 n_jobs 或 DataFrame.apply 的批处理方式考虑进去几万条数据在单核下跑也会比较慢我后来改成按窗口并行时间从接近十分钟缩短到两分钟左右。3.4 数据划分与样本顺序对齐的坑很多初学者会在数据划分环节翻车。请记住一个原则特征矩阵的行顺序必须和标签向量严格对齐。比如你读取了 20000 行数据前 10000 行是正样本后 10000 行是负样本如果直接 train_test_split那么训练集里正负样本比例可能依然是均衡的这一点靠随机分割没问题。但如果你自己手动切片比如取前 80% 当训练集后面 20% 当测试集那就废了——模型只会学到“排在前面的就是正样本”。还有一个更隐蔽的坑在一个药物对里drug_A 和 drug_B 的顺序问题。两个药物 SMILES 如果互换本质上还是同一个相互作用对。如果特征拼接时不注意全局一致比如一部分样本是 AB另一部分是 BA模型会学到“位置”信息而不是药物交互本身。稳妥做法是统一规定按照两个 SMILES 字符串的字典序排序小的在前大的在后再拼接特征。这个细节写在论文里反而能体现你考虑问题的周全性。4. 模型搭建、训练与结果分析4.1 用 PyTorch 实现指纹 MLP 模型基础模型的实现不必写得天花乱坠PyTorch 自带的 nn.Module 完全够用。我用的结构是输入层 4096 维第一层全连接输出 512 维ReLU 激活Dropout 0.3第二层全连接输出 64 维ReLU 激活Dropout 0.2最后一层输出 2 个类别的 logits。下面是核心代码import torch import torch.nn as nn class DDIMLP(nn.Module): def __init__(self, input_dim4096): super(DDIMLP, self).__init__() self.net nn.Sequential( nn.Linear(input_dim, 512), nn.ReLU(), nn.Dropout(0.3), nn.Linear(512, 64), nn.ReLU(), nn.Dropout(0.2), nn.Linear(64, 2) ) def forward(self, x): return self.net(x)这个模型非常简单但作为项目的基线足够了。加入 Dropout 是我刻意为之的因为 DDI 预测数据集里样本相似度很高模型很容易过拟合训练集。我在早期版本中去掉 Dropout 后训练集准确率能到 0.97但测试集只有 0.78明显过拟合了。加了 Dropout 之后测试集的 AUC 稳定提升了 4 到 6 个百分点。4.2 训练流程与超参数设置训练过程中有几个经验参数值得记录。优化器我选用 Adam学习率设为 1e-3batch size 是 128训练轮数 50 轮并加入早停机制。如果验证集 AUC 连续 5 轮不提升就提前终止训练这样既避免过拟合又能节省时间。损失函数使用交叉熵损失PyTorch 的 CrossEntropyLoss 自带 softmax 处理不需要手动再算概率。我实际训练的流程大致如下from torch.utils.data import DataLoader, TensorDataset from sklearn.metrics import roc_auc_score def train_model(model, train_tensor, val_tensor, epochs50): train_x, train_y train_tensor val_x, val_y val_tensor dataset TensorDataset(train_x, train_y) loader DataLoader(dataset, batch_size128, shuffleTrue) optimizer torch.optim.Adam(model.parameters(), lr1e-3) criterion nn.CrossEntropyLoss() best_auc 0.0 for epoch in range(epochs): model.train() total_loss 0.0 for batch_x, batch_y in loader: optimizer.zero_grad() output model(batch_x) loss criterion(output, batch_y) loss.backward() optimizer.step() total_loss loss.item() model.eval() with torch.no_grad(): val_output model(val_x) val_prob torch.softmax(val_output, dim1)[:, 1].numpy() val_auc roc_auc_score(val_y.numpy(), val_prob) if val_auc best_auc: best_auc val_auc torch.save(model.state_dict(), best_model.pth) print(fEpoch {epoch1}/{epochs}, Loss: {total_loss:.4f}, Val AUC: {val_auc:.4f})在这里有一个关键点值得展开为什么用 val_prob 而不是直接用 model 的输出。在二分类中模型输出的是每个类别的 logits我们需要通过 softmax 把它转成概率分布取第 1 列正类作为 AUC 计算的输入。AUC 计算并不关心概率的绝对大小只关心排序所以这种做法是正确的。4.3 模型评估与结果可视化训练完成后我用测试集做了完整的评估。打印出来的指标包括准确率、精确率、召回率、F1 值和 AUC。我这次的复现实验里指纹 MLP 模型在测试集上 AUC 约为 0.867。看到这个数字基本可以确认方向没问题了。可视化方面我在 Jupyter Notebook 里画了两张图一张是训练过程中的 Loss 下降曲线另一张是 ROC 曲线。ROC 曲线可以直接用 seaborn 或 matplotlib 画import matplotlib.pyplot as plt from sklearn.metrics import roc_curve fpr, tpr, _ roc_curve(y_test, y_proba) plt.figure(figsize(6,5)) plt.plot(fpr, tpr, labelfAUC {auc:.4f}) plt.plot([0,1], [0,1], k--) plt.xlabel(False Positive Rate) plt.ylabel(True Positive Rate) plt.title(ROC Curve) plt.legend() plt.show()这张图放进去之后整个项目的技术含量立刻就直观了。还有一点我建议在 Jupyter Notebook 里对随机挑出的药物对输出一个小表展示预测概率和真实标签让读者一眼看出模型在哪些样本上判断错了。这些错误样本分析其实很有价值很多误判来自结构相似的药物分子说明指纹特征对微小结构差异不够敏感这也是下一步该用图神经网络的原因。4.4 引入对比实验SMILES 序列 CNN为了增加论文的实验深度我在项目中额外实现了 SMILES 加 CNN 的对比模型。总体思路是这样的把所有 SMILES 字符映射成整数索引通过 Embedding 层学习字符级的向量表示再送入一维卷积层进行特征提取最后将两种药物的序列特征融合送入全连接层。这个模型的实现要比指纹 MLP 复杂一些主要难点在于批处理时序列长度要对齐。我用的是一个比较通用的做法设定最大序列长度 96超出部分截断不足部分用填充符补零。这里需要注意Embedding 层需要给填充符单独分配一个索引且训练时要把 pad 部分给 mask 掉或者至少不要让填充符参与输出特征的学习。否则模型很容易学到“这个位置是空的”这种无意义模式。从实验结果看SMILES CNN 模型的 AUC 略高于指纹 MLP达到了 0.884但训练时间几乎翻倍。对课程设计来说两个模型跑一版对比表放在论文里已经非常完整了。如果你想继续拔高再实现一个简单的图神经网络作为第三个模型就是典型的“高阶扩展方向”。5. 项目文档、参考论文与答辩准备5.1 项目文档结构怎么写才不会被导师挑毛病源码跑通不是终点项目文档才是决定毕业设计成绩的关键。我用过的一个实用结构和很多模板不一样但它符合论文评审的常见逻辑可以参考绪论写选题背景、国内外研究现状、还存在的问题。这部分要适当引用论文建议不少于 10 篇参考文献。相关技术介绍Python、Jupyter Notebook、机器学习、深度学习、分子指纹、药物相互作用数据库。每个技术用一小节不用写得过深但关键概念必须准确。系统需求与总体设计画出系统功能模块图描述数据流向。数据预处理、特征构建、模型训练、结果评估四个模块要对应源代码的目录结构。核心算法与模型设计详细讲解两个模型的结构给出公式推导和关键代码片段。公式用 LaTex 写清晰代码要简化到只保留核心部分。实验设计与结果分析说明数据集来源、划分方式、评价指标、实验环境CPU/GPU、Python 版本展示实验结果图表并做对比分析。总结与展望概括项目完成的工作点出不足和下一步计划。这套结构最核心的逻辑是让读者始终知道你的方案是什么、为什么是这个方案、实验结果如何证明方案有效。每部分之间都有明确的因果链条。写的时候注意一个重点不要大量贴完整代码只要贴关键代码片段即可完整的代码用附录形式呈现。5.2 参考论文怎么找、怎么读关于参考文献这个方向有非常成熟的论文脉络。早期的工作集中用药物结构相似度矩阵做特征后来开始有基于深度学习的 DDI 预测模型最知名的是 DeepDDI 等文章再往后是各种基于图神经网络的改进。我的建议是找论文就搜 “drug-drug interaction prediction deep learning” 或者 “DDI prediction graph neural network”在学术搜索引擎里可以找到大量相关文章。读论文不需要从第一篇读到最后一篇按这个顺序来会高效得多先读摘要和结论弄清楚这篇论文做了什么、效果多好。再看方法部分的图一般都会画模型结构图。最后看实验设置包括数据集、评价指标、对比基线。一篇论文如果只需要复现思路读这三步就足够了。我在项目中整理了十篇左右的参考文献其中中文文献两三篇、英文文献七八篇全部按照标准论文格式排列在文档末尾这样答辩的时候参考文献部分就不至于显得单薄。5.3 答辩演示的一些实用建议答辩时 Jupyter Notebook 本身就是最好的演示工具。你可以提前把 Notebook 的 Kernel 重启按顺序执行一遍确保所有输出都正常显示。预先把关键图表放大展示比如 ROC 曲线图、模型结构图、实验对比表。还有一个小细节答辩演示时永远不要把代码窗口打开一整个屏幕你应该把浏览器窗口缩放到合适大小确保旁边的评审可以同时看到代码和输出结果。代码里的注释也要提前清理干净不要把调试用的临时代码留在里面。我遇到过一次因为代码里有几个没删掉的测试 print展示时恰好输出了意外的内容那叫一个尴尬。5.4 代码开源与项目目录组织源码的组织方式直接决定项目看起来专业不专业。我最终使用的项目目录结构如下DDI-Prediction/ ├── data/ │ ├── raw/ │ └── processed/ ├── notebooks/ │ ├── 01_data_exploration.ipynb │ ├── 02_feature_engineering.ipynb │ └── 03_model_training.ipynb ├── src/ │ ├── preprocess.py │ ├── fingerprint.py │ ├── models.py │ ├── train.py │ └── evaluate.py ├── docs/ │ └── 项目文档.md ├── requirements.txt └── README.md这样一个目录别人拿到后不需要问任何问题就能跑起来。README 里写清楚环境安装命令、数据集格式、启动步骤这几项都是给老师的第一印象分。6. 常见问题与避坑经验6.1 环境相关的高频问题先列一个我从自己经验中整理的高频问题速查表问题现象原因解决办法RDKit 安装失败pip install rdkit 报错包名或平台拉取有问题改用 conda install -c conda-forge rdkitJupyter 空白页打开后白屏浏览器缓存或端口被占用换成 Chrome或 jupyter notebook --no-browserPyTorch 装了不能用 GPUtorch.cuda.is_available() 返回 FalseCUDA 版本与 PyTorch 不匹配到 PyTorch 官网用对应的指令重新安装训练时内存不足Jupyter Kernel 崩溃数据一次性全载入且太大使用批量加载减小特征维度如果你在 Windows 上安装 Jupyter然后打开时发现空白页先别急着重装环境。可能只是默认浏览器不兼容换用 Chrome 或者 Edge 试试。如果还是不行在命令行里执行 jupyter notebook --no-browser然后用地址手动打开一般都能定位到问题。6.2 数据处理和特征构建中的隐蔽坑数据处理环节有一些隐性 bug是光看代码很难看出来的问题。第一SMILES 解析失败。同一个数据集里不同来源的 SMILES 格式可能不完全一致部分记录会因为原子价态异常或括号不平衡而解析失败。我在项目里丢弃了大约 2% 的样本这个比例是良性的不影响整体效果但要记得在文档中说明。第二指纹计算时的性能问题。如果用 RDKit 逐条生成指纹几万条样本可能要跑好几分钟。我当时优化是从单线程改为多进程处理Python 的 multiprocessing 配合 RDKit 切片速度提升明显。如果你在 Jupyter 里不方便多进程也可以直接用列表推导式加 tqdm 看进度先跑通再优化是更实际的选择。第三类别不平衡处理。上一节我提到正负样本比例控制在 1:1 左右如果数据集原始负样本远多于正样本简单随机下采样即可。但要注意如果随机采样导致某些药物结构类型消失会影响泛化。更严谨的做法是分层采样保证训练集、验证集、测试集中药物类型比例一致。不过说实话对大部分毕设来说按比值随机划分已经够用。6.3 模型训练中的异常现象排查训练过程中我遇到过一个比较典型的异常验证集 AUC 一直在 0.5 附近怎么训都不涨。排查下来发现原因出在数据加载步骤当时把所有样本的标签重新归为 0 和 1 时用了不同顺序特征矩阵打乱了但标签没有跟着打乱。这个问题充分说明数据处理流程里任何一步改变行顺序的操作都必须同时处理特征和标签。另外一个常见问题是过拟合非常严重。现象是训练集准确率不断上升验证集 AUC 却在 20 轮后开始下降。解决办法我前面提过加 Dropout、增加正则化、减小模型宽度、以及早停机制四管齐下基本能把过拟合压住。还有一个小技巧如果模型训练速度特别慢先把指纹维度从 2048 降低到 1024或者把 hidden size 从 512 降到 256先验证整个流程能跑通再调大参数。现在 GPU 资源不好白嫖的情况下这种降规模验证的思路能省很多等待时间。6.4 从“能跑”到“写出好论文”的最后一公里很多同学的代码最后可以跑但不知道论文里到底该写点啥。这里我分享一下我是怎么从实验结果里提取论文素材的。第一最核心的素材是实验对比表。比如指纹 MLP 和 SMILES CNN 两个模型在准确率、精确率、召回率、F1、AUC 上面的对比。这张表能撑起整个实验分析章节。我知道很多人觉得表格简单但真正把对比做严谨、把每项指标解释清楚的文档反而少见。第二案例分析。挑几个预测正确的药物对和几个预测错误的药物对逐一分析原因。比如“辛伐他汀和阿托伐他汀在结构上高度相似但相互作用机制不同导致预测失败”这类分析非常加分。第三可视化图。Loss 曲线、ROC 曲线、混淆矩阵、特征分布图四张图基本是标配。如果还能画一个药物分子结构的可视化图展示指纹特征对应的分子子结构那就超出大部分学生的水平了。RDKit 本身支持画分子结构可以在 Jupyter Notebook 里直接把两个药物分子和预测概率排成一张对比图这种展示效果在答辩现场会非常直观。6.5 关于项目扩展方向的一点想法这类项目后续可以往几个方向扩展。一是换更强的特征表示比如用预训练的化学语言模型ChemBERTa直接对 SMILES 编码二是加入药物的多模态信息比如分子图、药物靶点、副作用数据等三是引入更先进的图神经网络架构例如注意力机制或知识图谱增强。这些都可以作为“展望”部分写在论文里展示你的思考深度。还有一点我经常看到初学者想在项目里塞大量功能什么都想做结果哪个都做不透。作为参考我的原则是核心通路必须是完整的、可复现的但扩展功能只需要在文档里给出方案和预期不一定要全部实现。毕业设计和课程设计的时间有限把一件事做到完整比做三件事但每件事都半成品要好得多。最后分享一点实际操作的体会这个项目我从环境搭建到最终文档完稿大概花了两周业余时间。整个过程里我最大的体会是真正难的不是深度学习模型而是把数据清理到可以喂给模型的程度。药物的 SMILES 结构、指纹的生成、正负样本的划分这些看似机械的步骤每一步都直接决定了最终指标的走向。只要你把数据处理部分沉下心做好再把一个简单模型从训练到评估完整跑通这个项目就有资格成为一份拿得出手的毕业设计或课程设计。最后再分享一个小技巧训练完成之后把最优模型的参数、当时的训练环境、随机种子都记在项目文档里最好把固定 seed 的代码也加上。这个习惯可以让你在几周后再复现结果时不会再因为数据随机划分不一致而得到若干不同的数字。做科研训练也好做项目也罢可复现性永远是一个专业工程师和研究者的基本素养。本文还有配套的精品资源点击获取