企业官网建设流程全解析

简介：本资源为2021年华为杯数学建模竞赛D题「抗乳腺癌候选药物的优化建模」的完整解答包，面向参加数学建模竞赛的高校学生及对生物信息学、医疗数据分析感兴趣的进阶学习者。内容围绕特征选择、回归预测、二分类建模、最优化求解、模型训练与验证、数据预处理、结果可视化等核心环节展开，可帮助读者理解如何将机器学习方法落地到药物研发场景。压缩包共83个文件，以32个Python脚本、22个CSV数据文件、14张PNG图表为主，另含XLSX、XML、Markdown与DOCX等辅助材料，整体约31.82MB，目录按代码、数据与文档分层组织，便于按模块查阅。目前已有3477人学习下载，适合需要复盘赛题思路、参考建模流程与代码实现、查漏补缺的参赛者与研究者。

1. 华为杯D题抗乳腺癌候选药物优化建模：这道题到底在考什么

2021年华为杯研究生数学建模竞赛D题，题目全称是「抗乳腺癌候选药物的优化建模」，属于典型的「数据驱动 + 多目标优化」复合型赛题。它给出的是一批化合物分子描述符数据，要求参赛队围绕生物活性、ADMET性质（吸收、分布、代谢、排泄、毒性）建立预测模型，再在此基础上做分子结构的优化筛选。很多队伍拿到题的第一反应是直接上机器学习调包，结果发现数据维度高、样本量小、指标之间还互相打架，最后论文写得像实验报告，模型精度也上不去。

这道题真正考的不是某个算法会不会用，而是你能不能把「预测」和「优化」串成一条闭环：先用回归模型把pIC50等活性指标预测准，再用分类模型判断化合物是否满足ADMET约束，最后在满足约束的前提下搜索活性更高的分子描述符组合。适合已经做过一两次数学建模、想冲击华为杯优秀论文的研究生，也适合想系统练一遍「特征工程 + 多目标优化」落地流程的工程师。下面我按自己复现这道题时的实际路径，把选型理由、参数设置和踩过的坑讲清楚。

2. 数据预处理与特征筛选：从729个描述符里挑出能用的

2.1 先搞清楚数据长什么样再动手

这道题官方给的数据通常包含训练集和测试集两部分，训练集里每个化合物有分子描述符（MD）、pIC50值、以及若干ADMET标签。分子描述符数量在729个左右，涵盖拓扑指数、分子指纹、物化性质等。样本量通常只有几百到一千出头，属于典型的「宽而浅」数据。直接把这729列全丢进模型，结果一定是过拟合，交叉验证分数好看但测试集崩掉。

我一般会先做三件事：检查缺失值分布、看每列方差、算一下描述符与pIC50的皮尔逊相关系数。方差接近0的列直接删，因为对区分样本没贡献；相关系数绝对值低于某个阈值的列也先放一边，但不要急着永久删除，后面做特征重要性时还要回头看。

import pandas as pd import numpy as np from sklearn.feature_selection import VarianceThreshold # 读取训练数据，假设描述符列从第3列开始 train = pd.read_csv('train.csv') desc_cols = train.columns[2:] # 根据实际列名调整 # 1. 删除方差极低的描述符 selector = VarianceThreshold(threshold=0.01) X_var = selector.fit_transform(train[desc_cols]) kept_cols = desc_cols[selector.get_support()] print(f'方差筛选后剩余特征数: {len(kept_cols)}') # 2. 计算与pIC50的相关系数 corr = train[kept_cols].corrwith(train['pIC50']).abs() corr_selected = corr[corr > 0.1].index.tolist() print(f'相关性筛选后剩余特征数: {len(corr_selected)}')

这段代码的逻辑是先用方差阈值砍掉近似常数列，再用相关系数做粗筛。threshold=0.01这个值不是固定的，如果数据做过标准化，可以适当调高到0.05；如果没标准化，方差本身量纲差异大，建议先做StandardScaler再筛。相关系数阈值0.1也是经验值，目的是保留弱相关但可能非线性有用的特征，真正精细的筛选交给后面的模型。

2.2 用随机森林做嵌入法特征重要性排序

粗筛之后特征数可能还有两三百个，这时候用嵌入法让模型自己挑。随机森林的特征重要性排序稳定、对共线性不敏感，适合这种高维小样本场景。我一般会跑一次RandomForestRegressor，取importance累计贡献达到95%的前N个特征作为最终输入。

from sklearn.ensemble import RandomForestRegressor rf = RandomForestRegressor(n_estimators=500, max_depth=8, random_state=42, n_jobs=-1) rf.fit(train[corr_selected], train['pIC50']) imp = pd.Series(rf.feature_importances_, index=corr_selected).sort_values(ascending=False) cum_imp = imp.cumsum() / imp.sum() final_features = cum_imp[cum_imp <= 0.95].index.tolist() print(f'最终入模特征数: {len(final_features)}')

n_estimators=500是为了让重要性估计更稳定，max_depth=8是防止单棵树过深导致重要性被噪声主导。累计贡献阈值0.95意味着保留能解释95%重要性的特征，剩下的5%大概率是噪声。这一步做完，特征数通常能压到50以内，后面建模会轻很多。

注意：特征筛选必须在交叉验证的每一折内部独立做，不能在全量数据上筛完再交叉验证，否则会信息泄漏，交叉验证分数虚高。我见过不少论文在这里翻车。

3. 活性预测模型：pIC50回归怎么选、怎么调

3.1 为什么我首选梯度提升树而不是深度学习

这道题的样本量决定了深度学习不是好选择。几百个样本、几十个特征，神经网络参数量随便就超过样本量，训练集loss降得再低也是背答案。梯度提升树（XGBoost、LightGBM、CatBoost）在这个量级上表现稳定，对特征缩放不敏感，还能直接输出特征重要性做解释。我一般先用LightGBM跑基线，再用XGBoost对比，最后用贝叶斯优化调参。

import lightgbm as lgb from sklearn.model_selection import KFold, cross_val_score model = lgb.LGBMRegressor( n_estimators=800, learning_rate=0.03, num_leaves=15, max_depth=6, min_child_samples=10, subsample=0.8, colsample_bytree=0.7, reg_alpha=0.1, reg_lambda=0.1, random_state=42 ) kf = KFold(n_splits=5, shuffle=True, random_state=42) scores = cross_val_score(model, train[final_features], train['pIC50'], cv=kf, scoring='neg_mean_squared_error') rmse = np.sqrt(-scores.mean()) print(f'5折交叉验证RMSE: {rmse:.4f}')

num_leaves=15和max_depth=6是控制模型复杂度的关键，小样本下叶子数太多必然过拟合。learning_rate=0.03配合n_estimators=800是慢学习率多棵树的经典组合，比0.1配200棵更稳。min_child_samples=10保证每个叶子至少有10个样本，防止模型记住个别离群点。这些参数不是拍脑袋，是我在类似规模数据集上反复试出来的区间，你可以在这个基础上用Optuna做精细搜索。

3.2 评估指标不能只看RMSE

回归任务里RMSE是基础，但这道题最终要服务于「筛选高活性化合物」，所以排序能力比绝对误差更重要。我建议同时看Spearman相关系数和Top-K命中率：把预测pIC50最高的前10%化合物挑出来，看真实pIC50也排在前10%的比例有多少。这个指标直接对应后续优化环节的实用性。

from scipy.stats import spearmanr # 用交叉验证的预测结果计算排序指标 from sklearn.model_selection import cross_val_predict pred = cross_val_predict(model, train[final_features], train['pIC50'], cv=kf) spearman = spearmanr(pred, train['pIC50']).correlation print(f'Spearman相关系数: {spearman:.4f}') # Top-K命中率 k = int(len(pred) * 0.1) top_pred_idx = np.argsort(pred)[-k:] top_true_idx = np.argsort(train['pIC50'].values)[-k:] hit_rate = len(set(top_pred_idx) & set(top_true_idx)) / k print(f'Top-10%命中率: {hit_rate:.4f}')

Spearman能到0.7以上、Top-10%命中率能到0.5以上，这个模型就算可用了。如果Spearman低于0.6，优先检查特征筛选是不是漏掉了关键描述符，而不是急着换模型。

4. ADMET分类与多目标约束：把「能用」和「好用」分开

4.1 ADMET标签不平衡怎么处理

ADMET性质通常是二分类标签，比如是否具有肝毒性、是否高血浆蛋白结合率。这类数据往往正负样本比例悬殊，直接训练分类器会偏向多数类。我的做法是用SMOTE做少数类过采样，但只在训练折内部做，验证折保持原始分布。分类器选LightGBM的class_weight='balanced'也能缓解，但SMOTE在小样本下更直接。

from imblearn.over_sampling import SMOTE from sklearn.model_selection import StratifiedKFold from sklearn.metrics import f1_score skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42) f1_scores = [] for train_idx, val_idx in skf.split(train[final_features], train['ADMET_label']): X_tr, X_val = train[final_features].iloc[train_idx], train[final_features].iloc[val_idx] y_tr, y_val = train['ADMET_label'].iloc[train_idx], train['ADMET_label'].iloc[val_idx] smote = SMOTE(random_state=42, k_neighbors=3) X_res, y_res = smote.fit_resample(X_tr, y_tr) clf = lgb.LGBMClassifier(n_estimators=300, learning_rate=0.05, num_leaves=15, random_state=42) clf.fit(X_res, y_res) pred_val = clf.predict(X_val) f1_scores.append(f1_score(y_val, pred_val)) print(f'ADMET分类平均F1: {np.mean(f1_scores):.4f}')

k_neighbors=3是因为小样本下邻居太多会生成不真实的合成样本。F1比准确率更适合评估不平衡分类，如果F1低于0.6，说明ADMET标签本身噪声大或者特征区分度不够，这时候不要硬调模型，回去检查标签定义和特征覆盖。

4.2 多目标优化：活性最大化和ADMET约束怎么同时满足

这道题的核心输出是一组推荐化合物，要求活性高且ADMET性质达标。我把它建模成带约束的单目标优化：目标函数是预测pIC50最大化，约束是各ADMET分类器预测概率超过阈值。搜索空间是分子描述符的可行域，但描述符之间不独立，不能简单随机采样。常见做法是在现有化合物库中做筛选排序，而不是从头生成分子。

# 对测试集化合物打分：活性预测 + ADMET约束过滤 test_pred_activity = model.predict(test[final_features]) admet_probs = clf.predict_proba(test[final_features])[:, 1] # 约束：ADMET达标概率 > 0.7 mask = admet_probs > 0.7 candidates = test[mask].copy() candidates['pred_pIC50'] = test_pred_activity[mask] candidates = candidates.sort_values('pred_pIC50', ascending=False) print(f'满足ADMET约束的候选化合物数: {len(candidates)}') print(candidates[['compound_id', 'pred_pIC50']].head(10))

阈值0.7是平衡召回和精度的经验值，如果候选太少可以降到0.6，候选太多就提到0.8。这一步的关键是先把约束卡死，再在可行域内排序，而不是把两个目标加权求和——加权系数很难解释，评审也不买账。

5. 避坑与排查：这道题最容易翻车的五个地方

5.1 特征筛选在交叉验证外面做导致分数虚高

现象：交叉验证RMSE只有0.3，测试集RMSE飙到0.8以上。原因：在全量数据上做特征筛选，验证折的信息泄漏到了训练过程。解决：把方差筛选、相关性筛选、随机森林重要性全部封装进Pipeline，在每折训练集上fit，验证集上transform。

5.2 把ADMET标签当回归做

现象：用回归模型预测ADMET数值，结果全是0.5左右的无效输出。原因：ADMET标签是二分类，回归模型优化MSE会倾向于预测均值。解决：改用分类模型，评估指标换成F1或AUC，不要看RMSE。

5.3 优化环节直接对描述符做梯度上升

现象：生成的描述符组合在化学上不可能存在，评审一眼看出是编的。原因：描述符之间有物理约束，独立扰动会破坏分子合法性。解决：在现有化合物库内做筛选排序，或者用遗传算法在合法分子空间搜索，不要对描述符向量直接做梯度优化。

5.4 忽略描述符的量纲差异

现象：基于距离的模型（KNN、SVM）效果远差于树模型。原因：描述符量纲从0.001到10000都有，距离计算被大量纲特征主导。解决：用树模型可以跳过标准化，但如果要用SVM或KNN，必须先做StandardScaler或MinMaxScaler。

5.5 论文里只写最终模型不写选型过程

现象：评审质疑为什么用LightGBM不用随机森林，答不上来。原因：只跑了最终模型，没做基线对比。解决：至少跑三个基线（线性回归、随机森林、XGBoost），用表格列出交叉验证RMSE和Spearman，选型理由自然就有了。

6. 从复现到拿奖：一个被低估的提分技巧

这道题拿高分的关键，往往不在模型本身，而在「可解释性」和「闭环验证」这两块。我复盘过几篇华为杯优秀论文，发现它们的共同点是：不仅给出了预测模型，还把特征重要性映射回化学意义，比如哪些拓扑指数对应分子柔性、哪些指纹对应疏水性，然后解释为什么这些性质影响抗乳腺癌活性。评审看的是你有没有把数学建模和领域知识接上。

具体操作上，我习惯在最终论文里加一张「关键描述符-生物活性」对照表，用SHAP值量化每个特征对pIC50的贡献方向。SHAP比特征重要性多了一层方向信息，能直接说「这个描述符增大时活性上升还是下降」。

import shap explainer = shap.TreeExplainer(model) shap_values = explainer.shap_values(train[final_features]) # 输出每个特征的平均绝对SHAP值，按降序排列 shap_importance = pd.Series( np.abs(shap_values).mean(axis=0), index=final_features ).sort_values(ascending=False) print(shap_importance.head(15))

这张表出来之后，挑前5个特征去查化学数据库，确认它们对应的分子性质，写进论文的「结果分析」部分。这一步花不了多少时间，但能让论文从「调包报告」变成「有洞察的建模工作」。

另一个提分点是做敏感性分析：把ADMET约束阈值从0.6到0.9逐档变化，看推荐化合物数量和平均预测活性的变化曲线。这条曲线能说明你的优化方案在不同严格程度下都稳定，而不是卡在一个特定阈值上才有效。我一般会跑5档，画一张双轴图，左边是候选数量、右边是平均pIC50，评审看到这种分析基本会给加分。

最后说个血泪经验：这道题的数据预处理和特征筛选至少占整个工作量的60%，建模和优化各占20%。很多队伍反过来，80%时间调模型，结果特征没选好，怎么调都上不去。我现在的习惯是先把特征筛选的Pipeline搭稳，交叉验证分数稳定了再动模型参数。希望帮到你。

本文还有配套的精品资源，点击获取