少样本组合药物筛选：ScreenShot如何用基础模型破解组合爆炸

组合药物筛选最麻烦的地方不是单个药有没有效而是药和药组合之后的效果很难猜。ScreenShot 这个名字听起来像“截图”但它解决的是组合药物筛选中“组合爆炸”的问题。从标题看这个模型走的是 Foundation Model 加 Few-Shot 的路线先用基础模型学习药物、细胞、组合效应背后的通用规律再用少量已知实验数据去预测大量还没做过的药物组合。如果你在制药研发、生物信息学或者 AI for Science 方向想了解少样本组合药物筛选能怎么做、怎么评估、有哪些坑这篇文章应该能帮上忙。下面我不会照着论文标题复读而是按真实落地顺序拆一遍。1. 组合药物筛选为什么需要少样本基础模型1.1 组合爆炸与实验成本组合药物筛选的难点首先是搜索空间太大。假设你手里有 100 种候选药两药组合有 100 × 99 / 2 4950 组如果做三药联合数量直接到 161700 组。真实场景里化合物库往往是几万、几十万个分子完整组合空间几乎不可能靠湿实验全部覆盖。更麻烦的是药物组合实验不是“测一个浓度”就结束。A 药取 5 个浓度B 药取 5 个浓度两两配对就是 25 个剂量组合。一个组合要覆盖多个浓度比例才能判断协同效果。再加上不同细胞系、不同疾病背景、不同处理时间实验次数会迅速膨胀。所以组合药物筛选天然需要先算后测。模型负责从大量候选组合里筛选出一批高潜力的组合实验人员只对这部分做湿实验验证。这样可以把实验成本集中在最有希望的方向上。1.2 传统机器学习与基础模型的思路差异过去做组合药物预测主流方案是提取药物分子指纹、细胞系基因表达、靶点信息等特征然后用随机森林、XGBoost、图神经网络等模型学习一个分类器或回归器。这个路线很成熟但问题在于它更偏向“单任务”学习换一个新细胞系、换一批候选药往往要重新准备标签数据重新训练。少样本场景下这种传统方案很容易失灵。因为它没有利用历史实验积累出来的药物知识每来一个新任务都要从零开始。如果新任务里只有几十组已知结果的药物组合模型很难学到可靠的规律。ScreenShot 标题里的 Foundation Model 和 Few-Shot指向的是另一条路线。基础模型在大规模数据上预训练先学会药物结构、分子性质、细胞反应等通用知识。到了具体的组合筛选任务只需要少量已知组合做微调甚至不微调就可能给出一版排序。这种“先学通用知识再快速适配小样本任务”的模式在图像和文本领域已经被验证过现在用在组合药物筛选上解决的问题就是少标签条件下的候选组合优先排序。2. 理解 ScreenShot 的模型定位与输入输出2.1 从“少样本”看模型要解决的任务类型少样本药物组合筛选要区分几种实际场景。场景一新细胞系。某个新的肿瘤细胞系历史数据很少只有十来个药物组合做过实验。ScreenShot 这类模型要利用其他细胞系上学习到的规律在这个新细胞系上快速给出预测。场景二新药物库。一批新设计的化合物还没有太多组合实验数据。模型需要根据分子结构相似性、已知靶点和通路信息推断这批新组合的协同可能性。场景三新疾病背景。换一个适应症比如从肿瘤转到抗纤维化标签数据同样稀缺。这时少样本模型要做得事情不是记住训练集而是利用预训练阶段积累的药物和生物知识快速迁移到新任务。无论哪种场景少样本模型的核心评价标准都不是拟合训练集而是举一反三给一组没见过的组合能不能把真正高潜力的排在前面。2.2 输入特征和输出标签的常见形式组合药物筛选模型的输入通常不是单一模态而是多路信息拼接。药物结构信息是最常见的输入包括 SMILES 字符串、Morgan 指纹、MACCS 指纹、分子图等。结构信息刻画的是“这个药本身长什么样”。药物属性信息也很关键比如靶点、代谢通路、药物类别、分子量、脂溶性等。结构相似的药也可能作用在不同靶点上所以属性信息能补足结构特征的盲区。生物学背景信息同样不能少最典型的是细胞系基因表达谱、突变信息、拷贝数变异、组织类型。同一组药物在不同细胞系上效果可能完全不同模型要有办法把细胞背景编码进去。输出标签一般有三种形式二分类协同 or 不协同。回归协同分数比如 Bliss 分数、Loewe 分数或者组合后的效应值。排序模型输出一个连续分数用于候选组合优先级排序。具体到 ScreenShot它到底用哪些特征、输出哪种标签要以论文和官方仓库为准。但从基础模型这个定位看它有较大概率是把药物结构、生物背景和组合方式一起编码最终输出一个可以排序的打分。2.3 基础模型的预训练与微调关系基础模型通常分成两个阶段。预训练阶段模型在大规模数据上学习通用表征。如果预训练数据是海量药物分子结构模型就能学到化学结构里的基本规律比如哪些官能团常见、哪些结构片段容易出现活性。这个阶段不需要太多标签可以用自监督方式完成。微调阶段模型在下游任务上做少量调整。组合药物筛选属于少样本场景微调时要注意两点一是学习率不能太大否则预训练学到的知识容易被破坏二是不要整个模型都放开微调可以只训练最后的预测头或者冻结大部分底层参数。数据越少越要保守。很多人拿到基础模型后习惯性全量微调结果小样本数据不够模型在训练集上拟合得很好测试集上却一塌糊涂。这属于少样本使用中最常见的路线错误。3. 复现与使用前的准备清单3.1 硬件、软件和数据条件如果要复现 ScreenShot 或者使用类似的基础模型第一步是确认自己的环境能不能跑起来。显存是第一个要关注的点。中等体量的模型推理时显存起步大约需要 8GB 到 16GB如果模型很大或者需要编码大量特征24GB 甚至更高才稳。显存不够时可以把 batch size 调小或者只加载模型的一部分比如只跑特征编码不一次加载所有组件。内存方面处理药物分子指纹和细胞系表达谱时数据会展开成很大的矩阵。如果一次性把所有特征载入内存32GB 内存是一个比较稳的起点低于 16GB 时建议使用数据流式加载。磁盘空间也容易忽略。预训练权重文件可能达到几 GB甚至十几 GB数据预处理后生成的缓存文件也可能占几十 GB。开工前先看磁盘余量避免训练到一半磁盘写满。软件环境没有固定答案PyTorch 和 TensorFlow 都可能出现具体看官方仓库。关键是把 Python 版本、CUDA 版本和深度学习框架版本对齐否则经常出现“代码没错但跑不起来”的问题。3.2 数据划分与少样本任务构建少样本实验最怕的是数据划分不合理。第一种划分方式是按组合随机划分。把所有药物对随机分成训练集和测试集。这种方式操作简单但风险是同一个药物可能在训练集和测试集里都出现模型可能记住药物本身而不是学习组合规律测试指标会虚高。第二种划分方式是按药物划分。训练集里出现的药物测试集里完全不再出现。这个设定更接近真实场景因为你希望模型能预测新药物的组合效果。难度也更高通常指标会比随机划分低不少。第三种划分方式是按细胞系划分。训练集里出现的细胞系测试集里没有。这个设定用于评估模型能不能跨细胞系泛化是药物筛选里非常关键的一种评估方式。选择哪种划分取决于业务目标。如果只想知道某个已有细胞系里哪些组合值得做实验随机划分可以接受。如果目标是筛选新药物、新细胞系就必须用更严格的划分否则上线后效果会明显变差。3.3 验证环境与最小样例拿到代码后不要直接启动完整训练。先用最小样例把链路跑通。取 5 到 10 条样本确认数据加载没问题。看特征维度是否和模型输入层对齐。再看模型前向传播能不能跑能不能算出 loss。最后跑一次预测确认输出格式能正常保存。调通最小样例之后再把 batch size 调大、数据量逐步增加。这一步的核心是隔离问题如果数据加载、模型结构、输出保存都有问题在 5 条样本上暴露出来比跑到一半再发现容易处理得多。我一般会先把日志打开确认每一步的输入输出形状路径和权限都要留意。4. 一套通用的少样本药物组合筛选实验流程4.1 从单任务到元任务的实验设计少样本实验有两种常见组织方式决定整个实验流程怎么搭。第一种是单任务小样本训练。假设你只有当前这一个数据集把它切成 support set 和 query set。support set 用来微调模型query set 用来评估。这种方式适合还没有多少历史实验数据、只有一个目标任务的阶段。第二种是多任务或元学习式设计。把多个历史实验数据分别看成不同任务先让模型在大量历史任务上学习再把它放到一个新任务上快速适配。这种方式的优势是当新任务只有几个样本时模型已经知道“药物组合预测这件事应该怎么适应新数据”而不是临时学一套新规则。ScreenShot 如果定位是 Foundation Model大概率走的是第二种路线。它会在很多药物筛选数据上做预训练之后面对新组合时只需要少量样本就能输出排序。我们自己设计实验时也要提前确认是单任务评估还是跨任务评估因为两者的模型选择、参数设置、指标解读都不一样。4.2 微调、评估和结果解释如果模型支持微调基本流程可以按下面这套走加载预训练权重。构造少样本训练集一般支持集每个类别只取几个样本。设置较小的学习率控制微调轮数。在验证集上选择最优模型。在测试集上报告最终指标。评估指标方面分类任务看 AUROC、AUPR、F1、Precisionk回归任务看 RMSE、MAE或者预测分数和实际协同分数的相关系数。少样本场景下AUPR 往往比 AUROC 更值得关注因为正负样本可能严重不平衡。正样本很少时准确率没有参考意义AUPR 能更好地反映模型在少数正例上的识别能力。还要注意少样本训练的结果波动很大。同一个模型换一个随机种子测试指标可能差几个点甚至十几个点。正确做法是固定多个随机种子各跑几次报告均值和标准差。只跑一次就说效果很好容易误判。结果解释上不要把模型的输出分数当成绝对实验值。它更多是排序依据。实际筛选流程里研究者只关心预测分数最高的前 50 或前 100 个组合这时候 Top-K 命中率比全局 AUROC 更有用。比如你验证了前 100 个组合里有 30 个确实协同这就是一个可操作的业务指标。4.3 批量预测与输出管理模型真正用于筛选时往往要一次性预测几千几万个组合。批量阶段要提前设计好输出格式否则下游实验没法跟进。建议每个输出行都包含唯一标识药物 A ID、药物 B ID、细胞系、浓度条件、预测分数。不要只用药物名称拼接因为药物名可能有别名、大小写不一致等问题数据库主键更可靠。批处理时要注意显存和内存限制。不要一次性把所有组合都塞进去建议固定 batch size 按批读取、按批预测、按批落盘。同时保留进度日志方便任务中断后定位到哪里。如果任务特别大还要考虑断点续跑。已经在输出文件里记下来的预测结果不要重复算可以直接跳过。这个在少样本模型使用中很容易被忽略但实际投入生产筛选时非常关键。5. 评估指标与参数调整的核心思路5.1 协同、加性与拮抗怎么度量组合药物效果不是只有“有效”和“无效”两种。通常需要区分协同、加性和拮抗。协同指组合后的效果明显超过两个单药效果的简单叠加。拮抗则相反组合后效果低于单药预期。加性就是两个药各自效果相加没有额外增强也没有相互抵消。量化这些概念常用的是 Bliss、Loewe、HSA 等参考模型。Bliss 假设两个药物独立作用用概率方式计算预期效应Loewe 基于剂量相加的假设强调两个药物是否作用于同一通路HSA 的逻辑更直观组合效果只要超过效果最好的单药就算有协同。不同参考模型给出的协同分数可能不一致。训练模型之前要先把标签来源统一。如果你从多个数据库收集数据一个库用 Bliss另一个库用 Loewe直接混在一起训练相当于标签定义都不同模型学起来会很混乱。5.2 少样本评估的稳定性少样本实验里数据集小评估结果波动大。稳定评估可以从这几个方面入手第一固定数据划分不要每次重新随机切。否则不同实验之间没有可比性。第二多跑几个随机种子。建议至少 5 个种子计算指标均值和标准差。如果标准差过大说明模型在这个少样本设置下还不够稳定。第三选择对类别不平衡更敏感的指标。正样本比例很低时AUPR 更合适Precisionk 则更贴近实际筛选需求。第四对比基线时要保持相同条件。如果想证明 ScreenShot 比传统随机森林好基线也要用相同的数据划分、相同的特征预处理、相同的随机种子。否则对比出来的差异分不清是模型优势还是评估口径差异。5.3 哪些参数值得调哪些不应该乱调值得调整的参数首先是学习率。基础模型微调时学习率不宜过大常见范围在 1e-5 到 1e-4 量级。学习率太大预训练知识容易被冲掉太小模型在小样本上可能学不进去。batch size 也要调。它影响训练稳定性和显存占用。显存不够就调小配合梯度累积。微调轮数要设置早停小样本下训练时间稍长就会过拟合。特征工程也值得检查。不是所有特征都有用加入过多无关特征反而增加过拟合风险。可以先跑一版只用药物结构特征的模型再加细胞系背景对比效果上升还是下降。不应该乱调的一是不要为了训练集 loss 降到接近 0 而无限增加训练轮数少样本下过拟合比欠拟合更常见。二是不要随意做数据增强药物分子的 SMILES 字符串改写可能改变分子语义不是所有增强都安全。三是不要反复用同一个验证集调参调多了验证集本身也会间接泄漏信息。6. 实测中最容易踩的坑与排查顺序6.1 数据泄露和样本重叠少样本药物筛选里最隐蔽的问题是数据泄露。一个典型的例子是同一个药物对出现在多个细胞系中。如果按药物对随机划分训练集见过这对药测试集又出现同一对药在不同细胞系里的效果模型很可能学会了“这对药历史表现如何”而不是“这对药在这种细胞下如何”。测试指标虚高实际应用却不灵。另一种情况是浓度切分。同一个药物对高浓度组合在训练集低浓度组合在测试集。看似是两个样本实际上共享同一个药物组合的信息也会造成泄漏。排查方法很简单训练集和测试集之间检查三件事——有没有重叠的药物对、有没有重叠的药物分子、有没有重叠的细胞系。如果业务目标是推荐全新组合建议按药物分子完全隔离的方式做一次验证看看指标下降多少。指标明显下降说明模型更多依赖记忆泛化能力有限。6.2 输入特征不一致和缺失值特征不一致是报错和效果差的常见来源。药物 ID 格式不一致最常出现。同一个药有的数据源写 PubChem CID有的写 ChEMBL ID有的直接写商品名。不统一特征对齐就出问题。SMILES 也需要标准化同一分子可能有多种写法最好用 RDKit 做 canonical SMILES 归一化。细胞系表达谱的数据来源也要注意。不同数据库可能用不同的基因名版本有的是 ENSEMBL ID有的是 Gene Symbol直接拼接会产生大量 NaN。平台差异也很大不同芯片或测序平台出来的表达量分布不同需要先做标准化。缺失值处理要谨慎。把缺失表达量填成 0可能让模型把“未测量”误认为“表达量为 0”产生错误信号。一般建议先看缺失比例缺失比例高就删掉该特征缺失比例低再用中位数或均值填充或者用模型能够处理缺失值的方案。如果训练时 loss 不收敛或者预测结果全是同一个值先检查特征分布看看是不是存在大量 NaN 或者某一列特征全为 0。很多时候问题出在数据而不是网络结构。6.3 资源占用和任务卡顿排查模型跑得慢或者卡住不要直接怀疑模型结构。按下面顺序排查。先看现象是完全没有输出还是中途卡住还是报错退出。再看日志卡在数据加载、模型前向、loss 计算还是保存输出。然后看资源显存有没有吃满内存有没有暴涨磁盘 IO 是不是瓶颈。很多卡顿是 dataloader 太慢模型在等数据表现出来就是 GPU 利用率为 0但程序一直没跑完。显存溢出时优先把 batch size 调小。如果还需要更大 batch用梯度累积。内存溢出时改用流式加载不要一次性把全部数据读进内存。输出文件写不进去时检查目录路径和写权限这经常表现为“程序正常结束但没有任何输出文件”。依赖版本问题也常见。某些深度学习算子只在特定版本下可用升级框架后可能报错换到旧版本又可以用。复现过程中尽量锁定环境版本避免不必要的兼容问题。6.4 同类型任务的替代方案如果 ScreenShot 的官方代码还没公开或者你的数据格式和特征要求对不上可以先跑替代方案建立起对照基线。最简单的替代方案是传统机器学习。用 Morgan 指纹加细胞系表达谱作为特征训练随机森林或者 XGBoost 做协同分类。这个方法不算先进但非常适合摸清数据底子数据划分合理的情况下传统模型能到什么水平后续换更复杂模型才知道提升空间有多大。图神经网络也是一个可选的替代方案。把药物作为节点药物-靶点关系或已知组合关系作为边做图的节点或边预测。它在利用结构信息上有优势但实现复杂度会高一些。另外一些开源药物组合预测模型也值得参考。这类模型很多以药物对和细胞系为输入直接输出协同分数。先跑通一个开源模型再用自己的数据微调可以作为基础模型方案之外的第二选择。替代方案真正的价值不是替代 ScreenShot而是提供可比较的基线。基础模型如果连随机森林都打不过那说明它在这个数据上并没有发挥出优势如果明显超过传统方法再深入排查它擅长哪类样本、在哪种划分下提升最大这样使用起来才更有针对性。最后说一点个人看法。如果只是复现论文结果按官方仓库跑一遍即可。但如果想真正把 ScreenShot 这类少样本基础模型用在自己的药物筛选流程里我的建议是先把三件事定下来数据划分方式、协同分数定义、Top-K 评估口径。这三件事不统一后续所有调参和对比都说不清楚。踩过几次坑之后你会发现很多模型效果不理想不是模型本身不行而是数据和评估没有对齐。基础模型的优势是通用表征和少样本适应能力但它不是魔法。给足质量可控的标签、做干净的样本划分、保持稳定的评估协议才有可能让模型真正帮你筛出值得做实验的药物组合。