AI 活性预测模型：先定义决策，再选择分类、回归或排序

AI 活性预测最常见，也最容易做错。问题不是“用哪个模型”，而是先定义你要支持什么决策：筛库、选合成优先级、解释 SAR，还是估计绝对 potency。

三种任务形态

• 分类：适合命中/非命中、活性阈值筛选；要注意阈值附近标签噪声。
• 回归：适合高质量 pIC50/pKi/pKd 数据；不同 assay 混合时必须做标准化。
• 排序/富集：虚拟筛选常只需要把更可能活性的分子排前面，EF、BEDROC、PR-AUC 可能比 RMSE 更有用。

关键陷阱

• 同一靶点不同实验体系、细胞背景和读数不能随便合并。
• 随机划分会把同系列类似物泄漏到测试集，造成虚高。
• 模型给出的活性只是优先级建议，不是实验替代。

延伸资源

• 配套：044《QSAR》、167《模型外推性》、169《Benchmark 陷阱》。