ScreenShot：用Foundation Model破解组合药物筛选的少样本难题

如果你接触过组合药物筛选大概率见过那种让人头皮发麻的画面几十种单药按两两组合排进 384 孔板每个组合还要叠几个剂量梯度最后铺出几十块板子。等到测完、导出结果真正有协同效应的组合可能只有个位数。这个问题有没有更聪明的解法ScreenShot 这个项目从论文标题看给了一个很明确的方向用 Foundation Model 的思路把组合药物筛选当成 Few-Shot 任务来解。说白了就是——不指望一次把所有组合测完而是先用足够多的历史筛选数据训练一个通用模型到了新细胞系、新药物组合场景只需要喂给它极少量的实验结果它就能把剩下的大量组合排出一个靠谱的优先级。这个思路背后有一个值得反复琢磨的判断。组合筛选领域的核心矛盾从来不是“模型不够强”而是“实验数据太少、太贵、太碎”。单药、双药、三药组合配合不同剂量和细胞环境组合空间是指数级扩张的而湿实验能覆盖的样本量却受成本、时间和人力限制。ScreenShot 这类工作真正要解决的不是“给你全部数据然后预测得更准”而是“在只有少量样本的新任务上如何把历史数据攒下来的知识真正用起来”。1. 为什么组合药物筛选天生就是少样本问题组合药物筛选远不是“A 药加 B 药”这么简单。两个药放在一起可能协同、可能拮抗、可能效果只是单药相加甚至可能因为代谢通路抵消出现比单药更差的情况。更麻烦的是同一个组合在不同细胞系、不同剂量配比、不同时间窗口下的结论可能完全不同。这些因素叠加在一起让组合筛选成为一个典型的高维、稀疏、强交互问题。1.1 组合爆炸规模决定了你不可能全量测完算一笔很粗的账。假设一个实验室有 100 个候选单药两两组合就是 4950 对如果每种组合还要测 5 个剂量配比就是接近 2.5 万个实验条件如果再考虑三个药的组合数量会直接跳到百万级别。这个规模即使有自动化液体工作站和高内涵筛选平台也很难全量覆盖。这就是组合爆炸。它带来的直接后果是在绝大多数真实项目里你永远无法通过“把所有组合都测一遍”来得到完整答案。任何现实可行的方案都必须在一部分没有测过的组合空间里做推断。这种推断能力恰好就是机器学习模型的价值所在。1.2 已有数据极其不均匀另一个容易被忽视的现实是即使把历史数据汇总起来数据本身也极其不均匀。公开数据库里有些经典药物组合被反复验证过很多次有些新药只有零星的单药数据同一对组合在不同实验室、不同批次里的读数还会有明显波动。这种不均匀会让“一个大模型把全部数据吞进去然后做全局拟合”的做法很容易翻车。如果模型只学会记住高频出现的组合那它对低频但真正有价值的组合几乎无能为力。而药物筛选里最有价值的发现往往恰恰出现在那些少有人试过的组合里。1.3 新任务里少样本才是常态更贴近实际的是真正到了一个新任务——比如拿到一个病人来源的类器官模型或者一个新药进入管线需要做组合评估——实验室通常只能承担有限的验证实验。这就是 Few-Shot 的真实语境支持集可能只有十几到几十个组合的实测结果你却要预测后面几千甚至几万个组合。如果只记住一句话那应该是组合药物筛选的核心矛盾不是“预测精度不够”而是“数据预算永远不够”。谁能在极少量实验数据下给出更可靠的优先级谁就能把有限的实验资源用在刀刃上。2. ScreenShot 的设计逻辑先验、适配、复用从标题的关键词组合来看ScreenShot 把 Foundation Model 和 Few-Shot 放在一起并不是随意的拼凑而是体现了三种研究思路的交汇。2.1 为什么需要基础模型传统机器学习做组合预测通常是在一个固定的数据集上训练然后在这个数据集范围内测试。问题是换一个细胞系、换一个药物家族模型往往要重新训练。基础模型的核心价值在预训练阶段它用大量药物结构、细胞系特征、历史筛选结果学习出一套通用的表征让不同药物、不同细胞系在同一个向量空间里具有可比性。你可以把这一步理解成“先建立一套公共语言”。后续的每一个新任务都不再是从零开始解释药物是什么、细胞系是什么而是基于这套公共语言去刻画“这个具体场景下的组合行为”。没有预训练少样本预测基本无从谈起。2.2 Few-Shot 的实质不是少样本乱猜Few-Shot 不等于“样本少所以靠猜”。在常见的研究设定里它指的是模型在预训练阶段见过大量任务比如很多个细胞系上的筛选结果到了测试阶段只给少量标注样本模型要通过这些少量样本快速识别当前任务的特殊性并把预训练积累的知识迁移过来。这和经验丰富的药理学家做实验的认知方式很像。老手看到一个陌生细胞系不会把几万种组合全测一遍而是先根据历史经验选十几个有代表性的组合快速判断这个体系的药敏特征和耐药机制再决定下一步怎么排查。Few-Shot 模型本质上是在把这条人类经验流程自动化。2.3 为什么叫“ScreenShot”项目名本身是一个值得玩味的双关。一方面它对应 Few-Shot 里的 “Shot”另一方面“截屏”这个动作也很有意思——只取当前任务的一小段画面而不是全量快照。这个命名其实点出了核心思想用极小的成本记录当前场景的关键特征剩下的交给先验知识去补全。当然这只是从命名角度做的推测。具体实现里它究竟用的是元学习、预训练加微调还是类似上下文学习的方式要以论文原文的实现为准。但这个命名至少说明作者想强调的不是“海量数据堆模型”而是“少量数据 强先验”的效率路线。3. 一个可以照着走的最小落地流程不管 ScreenShot 的具体实现是什么这类模型要落地通常都离不开下面几个环节。这里给出一套通用的处理框架你可以把它当成一份工作流模板来用。3.1 数据准备先想清楚输入和标签组合药物筛选模型的数据通常包含四类信息数据类型常见内容常见格式药物结构分子指纹或 SMILES 序列Morgan 指纹、ECFP、SMILES细胞系信息基因组、表达谱、组织来源基因表达矩阵、突变标签组合条件单药浓度、配比、给药顺序剂量梯度矩阵标签协同/拮抗/加和Loewe、Bliss、ZIP、HSA 得分这里最关键的不是模型结构而是标签的定义。不同协同分数定义对“协同”的判定标准完全不同同一份剂量反应数据算出来的分数可能差异很大。如果你从多个来源收集数据务必先统一标签口径否则模型学到的东西很可能是噪声。3.2 药物表征从结构到向量最常见的做法是用分子指纹或从 SMILES 预训练的分子向量编码器。如果只做组合预测也可以直接把两个药物的表征拼接起来再叠加上细胞系特征。下面是一个很常见的特征拼接写法目的是先把样本向量组织起来import numpy as np def build_sample(drug1_fp, drug2_fp, cell_fp): # 特征拼接后后续可以做归一化或降维 return np.concatenate([drug1_fp, drug2_fp, cell_fp])这部分真正的工程难点不是向量化而是特征对齐不同数据源里同一个药物的命名、结构表示是否一致一定要先归一化。否则同一个药在不同批次里可能会被编码成两个完全不同的向量。3.3 少样本适配先跑通一条最小链路在实际项目里我建议按这个顺序跑通一遍选一个公开数据集划分出预训练任务和测试任务。在预训练任务上训练基础模型确保它在“看过”的任务上有基本能力。构造少样本测试对目标细胞系只随机抽取 1020 个已知组合作为支持集让模型做适配。在剩余组合上评估排序效果看真正协同的组合有没有被排到前面。和普通深度模型、梯度提升树等基线做对比确认少样本适配确实带来了增益。注意第一次验证不要把支持集数量设得太大。Few-Shot 的意义在于“少”如果你用了 50% 的数据做支持集那评估出来的不是少样本能力而是半个有监督学习的效果。3.4 评估指标别只盯着准确率在这个场景里最实用的评估指标往往不是准确率而是排序质量。因为实际使用中你关心的是“哪些组合值得优先做实验”而不是把所有组合的分数都精确预测出来。指标回答的问题适合场景Top-K 命中率排名前 K 里有多少真协同实验预算有限只看头部AUPRC正例稀少时模型的区分能力协同组合稀疏时Spearman 相关预测分数和真实分数是否同序需要连续剂量排序时一个简单的 Top-K 命中率计算示例def top_k_hit_rate(scores, true_labels, k20): idx sorted(range(len(scores)), keylambda i: scores[i], reverseTrue)[:k] hits sum(true_labels[i] for i in idx) return hits / k注意这里 K 的选择应该由实验预算决定。如果一次实验最多验证 20 个组合那 K20 就代表“模型推荐的 20 个里有多少值得做”。4. 落地时最容易踩的坑和排查链路这类项目做多了会发现模型效果不好很多时候不是模型本身的问题而是前面的数据处理和验证设计出了问题。把这些坑提前列出来能省下大量返工时间。4.1 数据层面的坑标签口径不一致不同数据库、不同批次用了不同的协同计算方式直接混训等于引入噪声。剂量缺失有些组合只给了单一浓度结果无法计算完整的剂量反应曲线。批次效应同一细胞系在不同实验室的数据分布差异很大模型可能学到的是实验室偏好而不是生物学规律。数据泄漏预训练和测试数据里存在同药或同细胞系的重叠会让评估结果虚高。4.2 模型层面的坑过拟合支持集Few-Shot 适配阶段如果更新轮数太多、学习率太大模型会把少量样本背下来失去泛化能力。基线太弱有些工作只对比了不经过预训练的复杂模型却没有对比“直接在新任务上用少量数据训练一个简单模型”的基线。在少样本条件下简单基线经常比想象中更可靠。评估泄漏少样本评估时支持集里不能混入测试数据。这个规则说起来简单但实际拆分数据时很容易出错。4.3 工程层面的坑随机种子不固定少样本场景下采样方式对结果影响很大。不固定种子结果可能无法复现。依赖版本不一致PyTorch、CUDA、数据处理库的版本差异都可能造成结果波动。输出没有留痕每次实验的配置、数据版本、模型权重如果没有完整保存后面很难复盘。4.4 一个可复用的排查顺序如果模型效果异常我一般按这个顺序排查先看数据标签口径是否统一、特征是否对齐、有没有泄漏。再看基线在同一个数据划分上简单模型表现如何。再看适配过程支持集数量、适配轮数、学习率是否合理。再看评估指标选对没有是不是只看了准确率。最后看工程种子、版本、随机采样逻辑是否稳定。从经验看80% 的“模型效果差”最终都出在前两步而不是模型结构本身。5. 适用边界谁该用、谁不该用、先验证什么任何模型都不是万能药。ScreenShot 这类少样本基础模型有非常明确的适用边界用之前要先对号入座。5.1 适合的场景同一个细胞系需要评估大量组合但实验预算只够先测少量样本。团队已经积累了较多历史筛选数据想在新任务上省实验成本。组合空间太大传统全量筛选根本不现实。你关注的是排序和优先级而不是对每个组合给出绝对精确的分数。5.2 不适合的场景目标体系完全没有任何历史关联数据。预训练先验再强也无法凭空理解一个与训练分布差距过大的领域。实验预算充裕、组合数量不大。这时直接做全量实验可能比模型筛选更可靠。你只需要在一个固定数据集上做回归预测不涉及跨任务泛化。简单模型通常更划算维护成本也更低。5.3 引入前的验证路径如果你正考虑在团队里引入这类方案我建议先用一个月做一次小规模验证从公开数据或自家历史数据里选出 35 个不同细胞系的组合筛选结果。对每个细胞系模拟只给 20 个组合的观测结果。用 ScreenShot 或同类方法做少样本预测与随机选择、简单模型基线对比。看 Top-50 推荐里有多少被湿实验验证为真正协同。如果这轮验证没有明显增益说明你的数据特征或任务定义可能和这类方法的适用条件不匹配。这时不要硬上回头检查数据质量和任务划分比换一个更大的模型更有效。6. 这类模型真正改变的是实验和计算的分工顺序最后聊一个更大的视角。无论 ScreenShot 具体效果如何“基础模型 少样本”这个组合正在悄悄改变计算和实验之间的分工方式。传统流程是实验人员先做大规模筛选再让计算模型去解释结果。这一套流程成本高、周期长而且大量的实验精力被用在了低信息量的组合上。ScreenShot 这类模型提供的反 向流程是先用历史数据预训练再用极少量新实验数据做适配最后让模型推荐下一个最值得做的实验。它的价值不在替代实验而在减少无效实验。这里还想提醒一件更接近底层经验的事模型给你的不是答案而是优先级。它把“从几万种组合里找到少数几个值得验证的选择”这件事变成一个有先验支撑的推理过程。你可以把它理解成一个比随机猜测聪明很多的实验设计助手但最终做决定、负责任、出结论的仍然是你的孔板、细胞和剂量曲线。如果你现在手上正好有一个组合筛选任务与其到处找“万能模型”不如先做一件事把自己已有的历史数据整理好标签口径统一然后跑一次上面所说的最小验证。你会发现少样本模型的收益从来都不是靠参数堆出来的而是靠数据组织、验证设计和实验闭环赢来的。