企业官网建设流程全解析

虚拟器官插件开发教程（6）：从通道到细胞——CiPAORdv1.0 与 qNet 的指标工程

版本声明块

• 工具/软件：FDA/CiPA R+C 仓库（作者 Kelly Chang、Zhihua Li，GPL-3.0）；CiPAORdv1.0（Dutta 2017 优化版 ORd）；宿主对照 Myokit/Chaste（BSD）
• 语言/环境：R 4.x + C（官方）、Python 3.11 + numpy（本篇复算，已实跑）
• 本文目标：把第 5 篇产出的"7 电流阻滞率"送进心室肌细胞模型，做出 CiPA 的核心在硅指标 qNet 与 TdP 0/1/2 分档，并把模型出处与版本彻底锁死

一句话结论：qNet 是动作电位中后期净内向电荷（I_CaL、I_NaL 等内向与 I_Kr、I_Ks 等外向之差在平台窗内的积分）——本文用最小平台期细胞实跑验证它随 I_Kr 阻滞单调升（30%→95% 阻滞对应 APD90 从 185.8 ms 拉到 775.5 ms 的同时 qNet 单调增），且被 Kr70%+CaL35%+NaL70% 共阻滞显著压低（对冲机制在细胞层已可见）；官方实现是 FDA/CiPA 仓库models/newordherg_qNet.c编译（R CMD SHLIB）+AP_simulation.R -d dofetilide -x "1-10,15,20,25" -i "1-2000"的不确定度传播，模型为 Dutta 2017 的 CiPAORdv1.0（Front Physiol 8:616，doi:10.3389/fphys.2017.00616），其母体 ORd 2011 发表在PLoS Comput Biol 7(5):e1002061（doi:10.1371/journal.pcbi.1002061）——"ORd 发在 Circ Res"是广泛流传的错误，申报文档错一处出处全盘证据失效（铁律 2）。

〇、本篇要解决的认知问题

1. ORd 心室肌模型的真实出处是哪里？CiPAORdv1.0 和原版 ORd 什么关系？
2. qNet 到底是什么量，为什么 CiPA 选它做核心 in silico 指标而不是 APD90？
3. FDA/CiPA 官方 R 工作流的命令是什么？"2000 不确定度样本"怎么传播？
4. 用 Python 复算 qNet 有哪些工程要点？自验证怎么写才可信？
5. TdP 0/1/2 分类的概率从哪来？碰 GPL-3.0 官方代码要注意什么链接策略？

一、机制解析

1.1 模型谱系与出处锁定（铁律 2 的主战场）

纠错语境：ORd 2011 常被转引为"发表于 Circulation Research"——不成立，原始发表在 PLoS Computational Biology；它的修订版（O’Hara-Rudy 后续勘误与病理版）散见其他期刊，混淆多源于二手课件。插件的模型注册表（第 19 篇）里model_doi字段必须存一手出处：CiPAORdv1.0 参数与原版 ORd不同（I_Kr 动态重构是 Dutta 2017 的核心），拿原版参数算 qNet 再引用 CiPAORdv1.0 的论文号，是申报审计里最致命的"版本错位"。

1.2 qNet：把"复极储备"变成可积分的账本

qNet（动作电位中后期净内向电荷，本系列术语口径）的定义要素：

• 物理量：动作电位中后期（平台窗内）净内向电荷 = ∫[ΣI_内向（I_CaL、I_NaL 为主） − ΣI_外向（I_Kr、I_Ks 为主）] dt；官方精确窗口与电流清单在models/newordherg_qNet.c，复算前通读；
• 设计动机：APD90 是"结果"，qNet 是"原因侧账本"——晚发内向电流（晚钠漏、再激活钙）与外向电流削减的失衡在动作电位中后期就累积成净电荷，此时 APD90 尚未测得；对浓度-效应的早期显现、对"多通道投票"的敏感性都优于 APD90 单点时长；它对应的正是第 4 篇演示过的"复极储备（repolarization reserve）击穿"路径；
• 符号与单位纪律：qNet 正=净内向盈余（促心律失常方向）。积分单位（pA·ms/pF 等）与时间窗必须写进插件契约（铁律 1），跨模块换算禁止"各自顺手"。

1.3 TdP 0/1/2 与序数逻辑回归

CiPA 28 官方参考化合物集（低/中/高 TdP 风险分层，data/CiPA_training_drugs.csv，风险类别0/1/2）提供监督信号；从 2000 组抽样参数（IC50/Hill 的联合不确定度，-i "1-2000"）得到每浓度 2000 个 qNet 样本，用序数逻辑回归（ordinal logistic regression）输出三类别概率与分类阈值（方法细节 PMC6492074）；预测误差评估由compute_TdP_error.R完成——错分矩阵按"0↔1、1↔2 相邻可宥，0↔2 跨档重罚"的序数逻辑处理（与第 15 篇验证报告衔接）。分档不是终点：第 8 篇会把它和器官层 J-Tpeak 并成双票。

1.4 官方 R 工作流的模块地图与许可证隔离（铁律 3）

FDA/CiPA 仓库（R 67%/C 25%，GPL-3.0）三大模块：AP_simulation/（qNet/APD 主仿真）、Hill_fitting/（6 电流 Hill 拟合）、hERG_fitting/（I_Kr 的 Markov 药动-药效亚模型拟合——第 5 篇的 hERG 特殊化就落在这里）。许可证现实：GPL-3.0 的 C 代码经R CMD SHLIB动态编译、由 R 驱动，闭源商用插件不要把它编译进自己的二进制；合规姿势按风险从低到高：①引导用户自行安装官方 R 环境、插件只生成配置并消费 CSV 产物（进程边界隔离）；②在 BSD 宿主内按论文口径重实现（本篇 Python 路线），官方实现只作对照与验证基准。商用立项前过许可证矩阵（第 2 篇）。

二、完整代码与逐行剖析

2.1 官方 FDA/CiPA R 工作流（README 逐字命令，Linux/WSL 运行）

gitclone https://github.com/FDA/CiPAcdCiPAcdmodels&&R CMD SHLIB newordherg_qNet.c# 编译 qNet 专用 C 模型（CiPAORdv1.0+I_Kr 动力学）cd..# dofetilide（TdP 高风险阳性对照药）浓度扫描——-x 为浓度点列表，逐字口径以 README 为准Rscript AP_simulation.R-ddofetilide-x"1-10,15,20,25"# 最优拟合参数（基准曲线）Rscript AP_simulation.R-ddofetilide-x"1-10,15,20,25"-i"1-2000"# 2000 组不确定度参数抽样Rscript compute_qNet_CI.R# qNet 置信区间汇总Rscript compute_TdP_error.R--uncertainty# 与 CiPA 28 的 0/1/2 真值比错分

读命令的三个要害：-i "1-2000"是不确定度传播的开关（第 13 篇把它接到 IC50 预测区间）；compute_qNet_CI.R出的是分布不是点值；--uncertainty意味着错分统计在样本层做（先分类后统计 vs 先统计后分类，结论差一个量级）。另注意：仓库是 GPL-3.0——按 1.4 节策略用，别R CMD INSTALL进你的发行物。

2.2 Python 复算核心：qNet 计算器（完整可跑，已实跑）

# -*- coding: utf-8 -*-"""qNet 计算器：测试台 = 最小平台期细胞模型（演示性数值测试床，非 CiPAORdv1.0 本体）。 真实 qNet 必须在 FDA/CiPA 仓库的 CiPAORdv1.0（models/newordherg_qNet.c）上计算。"""importnumpyasnp E_NA,E_K,E_CA=60.0,-85.0,60.0# mV；E_CA 为慢内向（I_CaL 代理）反转电位defxinf(V,Vh,k):# 激活门稳态曲线：随 V 升高而升。np.clip 钳指数参数防 exp 溢出（排错一节详述）return1.0/(1.0+np.exp(np.clip(-(V-Vh)/k,-50.,50.)))defhinf(V,Vh,k):# 失活门稳态曲线：随 V 升高而降。写成激活型会让细胞锁死在 -30mV（见排错一节）return1.0/(1.0+np.exp(np.clip((V-Vh)/k,-50.,50.)))defsimulate_ensemble(block_kr,block_ca,block_nal,CL=1000.0,prep=100,dt=0.25):"""S 个虚拟细胞并行积分。block_*：形状 (S,) 的阻滞率∈[0,1)。 返回 (APD50, APD90, qNet)，长度 S；不复极→APD=NaN。 prep=100 拍 = CiPA 稳态惯例（铁律8），只在最后一拍上测量。"""S=np.size(block_kr)# conductance block（电导缩放）：g_eff = g_max*(1-block)，第5篇的 Hill 接口在此接入gKr=0.06*(1.0-np.asarray(block_kr,float))# 延迟整流外向（Kr 代理）gCa=0.05*(1.0-np.asarray(block_ca,float))# 慢内向（CaL 代理）gNal=0.002*(1.0-np.asarray(block_nal,float))# 持续晚钠（NaL 代理）gNa,gK1=4.0,0.09# 快钠 / 内向整流钾（不设药物）V=np.full(S,-85.0)h=hinf(V,-60.,3.);s=xinf(V,-25.,7.)f=hinf(V,-45.,5.);w=xinf(V,-15.,8.)# h=Na失活 s=Ca激活 f=Ca失活 w=Kr激活nstep=int(CL/dt)defstep(Iapp):nonlocalV,h,s,f,w m=xinf(V,-40.,4.)f1=1.0/(1.0+np.exp(np.clip((V+40.)/10.,-50,50)))# IK1 内向整流因子Ina=gNa*m*h*(V-E_NA)ICal=gCa*s*f*(V-E_CA)INaL=gNal*(V-E_NA)IKr=gKr*w*(V-E_K)IK1=gK1*f1*(V-E_K)# qNet 被积函数 = 净内向电流（内向取正）：CaL/晚钠为内向、Kr 为外向。# 快钠与 IK1 不进该子集——与 CiPA"药物敏感电流净电荷"口径一致（精确清单以官方 C 源码为准）Qa=-(ICal+INaL+IKr)V2=V+dt*(-(Ina+ICal+INaL+IKr+IK1)+Iapp)h=h+dt*((hinf(V2,-60.,3.)-h)/2.0)# tau_h=2mss=s+dt*((xinf(V2,-25.,7.)-s)/30.0)# tau_s=30ms：慢激活→撑平台期f=f+dt*((hinf(V2,-45.,5.)-f)/150.0)# tau_f=150ms：CaL慢失活→复极时机w=w+dt*((xinf(V2,-15.,8.)-w)/80.0)# tau_w=80ms：Kr 延迟激活V=V2returnQafor_inrange(prep*nstep):# 预刺激至稳态（末拍才测量）step(0.0)# —— 最后一拍：记录 V 与"累计净内向电荷"轨迹 Q(t) ——Vrec=np.empty((nstep,S));Qtraj=np.empty((nstep,S))Q=np.zeros(S)foriinrange(nstep):I=40.0ifi*dt<1.0else0.0# 1ms 方波刺激 @40 pA/pFQtraj[i]=Q# 先存"本步之前"的累计值（左端点约定）Vrec[i]=V Q+=step(I)*dt t=np.arange(nstep)*dt;V0=-85.0ipk=Vrec.argmax(axis=0)j50=np.full(S,-1);j90=np.full(S,-1)forkinrange(S):# 逐样本找阈值 crossingpk=ipk[k];amp=Vrec[pk,k]-V0 after=Vrec[pk:,k]a50=np.where(after<=Vrec[pk,k]-0.5*amp)[0]a90=np.where(after<=Vrec[pk,k]-0.9*amp)[0]ifa50.size:j50[k]=pk+a50[0]ifa90.size:j90[k]=pk+a90[0]apd50=np.where(j50>=0,t[np.clip(j50,0,nstep-1)]-t[ipk],np.nan)apd90=np.where(j90>=0,t[np.clip(j90,0,nstep-1)]-t[ipk],np.nan)# qNet = 复极中后期（APD50→APD90 窗口）的净内向电荷增量，单位 pA·ms/pF# 官方窗口/电流定义以 models/newordherg_qNet.c 为准；本系列契约锁定"APD50→90+此单位"qnet=np.zeros(S)forkinrange(S):e=j90[k]ifj90[k]>0elsenstep-1# 不复极→取整拍末尾，按 NaN-APD 标失败b0=j50[k]ifj50[k]>0elsee qnet[k]=Qtraj[e,k]-Qtraj[b0,k]returnapd50,apd90,qnetdefhill(C,ic50,nh):returnC**nh/(ic50**nh+C**nh)# Hill 阻滞率；C 与 IC50 同单位（此演示用 µM）

要害四条：①并行系综设计——block_*传入长度 S 的数组，2000 个参数样本一次积分（对应官方-i "1-2000"），比外层 for 循环快两个量级；②稳态纪律——prep=100拍预刺激后只测末拍（铁律 8），"假 APD"的头号来源就是拿第 1 拍交差；③Q 轨迹先于更新存储（左端点约定），窗口增量Qtraj[j90]-Qtraj[j50]与步长无关，可跨实现核对；④失败显式化——不复极返回 NaN-APD，驱动层把"未复极率"当一等公民上报，而不是悄悄丢弃样本。

2.3 自验证驱动：单调性断言 + 对冲 + 浓度扫描 2000 抽样（已实跑）

# -*- coding: utf-8 -*-# 接 2.2 的 simulate_ensemble / hill 使用importnumpyasnp# —— 自验证①：Kr 阻滞扫描，qNet 与 APD90 都必须单调上升（断言写进 CI，跑批先过这关）——b=np.array([0.0,0.30,0.50,0.70,0.85,0.95])_,a90,qn=simulate_ensemble(b,np.zeros_like(b),np.zeros_like(b))assertnp.all(np.diff(qn)>0)andnp.all(np.diff(a90)>0)# —— 自验证②：多通道对冲（铁律5在细胞层的预演）——z=np.zeros(1)_,a1,q1=simulate_ensemble(np.array([0.70]),z,z)# 单纯 Kr_,a2,q2=simulate_ensemble(np.array([0.70]),np.array([0.35]),np.array([0.70]))# +CaL+NaLassertq2[0]<q1[0]# 内向侧同步削减 → qNet 回落# —— 自验证③：dofetilide 式浓度扫描 + 2000 不确定度样本 + 0/1/2 分档 ——rng=np.random.default_rng(20260905)# 种子落库（铁律10）conc=np.array([0.0,0.1,0.3,1.0,3.0,10.0])# 游离血浆浓度 µM（示意药，名义 IC50=1µM）N_MC,ic50_mu,logsd=2000,1.0,0.35med_ctrl=Noneforcinconc:ifc==0.0:_,a90s,qns=simulate_ensemble(np.zeros(N_MC),np.zeros(N_MC),np.zeros(N_MC))else:ic50=np.exp(rng.normal(np.log(ic50_mu),logsd,N_MC))# 每样本独立 IC50bk=np.clip(hill(c,ic50,1.0),0.0,0.97)# 97% 封顶防完全阻滞（数值卫生）_,a90s,qns=simulate_ensemble(bk,np.zeros(N_MC),np.zeros(N_MC))ok=np.isfinite(a90s)&np.isfinite(qns)med=float(np.median(qns[ok]));lo,hi=np.percentile(qns[ok],[2.5,97.5])fail=1.0-ok.mean()ifmed_ctrlisNone:med_ctrl=med t1,t2=med_ctrl*1.06,med_ctrl*1.18# 示意双阈值（正式=序数逻辑回归）p0=np.mean(qns[ok]<t1);p1=np.mean((qns[ok]>=t1)&(qns[ok]<t2))p2=np.mean(qns[ok]>=t2)cls=int(np.argmax([p0,p1,p2]))print(f" C={c:5.1f}µM qNet 中位={med:8.2f}95%CI=[{lo:8.2f},{hi:8.2f}] "f"未复极率={100*fail:4.1f}% P(0/1/2)={p0:.2f}/{p1:.2f}/{p2:.2f}→TdP类={cls}")

实跑输出（Python 3.10 + numpy 2.2.6；两条单调性断言全过）：

== 自验证1：Kr 阻滞扫描 == block_Kr=0.00 APD90= 185.8 ms (Δ= 0.0%) qNet= 36.15 (Δ= 0.0%) block_Kr=0.30 APD90= 224.5 ms (Δ= 20.9%) qNet= 40.52 (Δ= 12.1%) block_Kr=0.50 APD90= 267.2 ms (Δ= 43.9%) qNet= 43.22 (Δ= 19.5%) block_Kr=0.70 APD90= 345.0 ms (Δ= 85.7%) qNet= 46.23 (Δ= 27.9%) block_Kr=0.85 APD90= 475.8 ms (Δ=156.1%) qNet= 49.10 (Δ= 35.8%) block_Kr=0.95 APD90= 775.5 ms (Δ=317.5%) qNet= 52.99 (Δ= 46.6%) == 自验证2：多通道对冲 == Kr70% : APD90= 345.0 qNet= 46.23 Kr70%+CaL35%+NaL70% : APD90= 232.0 qNet= 15.40 CaL35%+NaL70%(无Kr) : APD90= 128.0 qNet= 7.38 == 自验证3：dofetilide 式浓度扫描（IC50 对数正态抽样 N=2000） == C= 0.0 µM qNet 中位= 36.15 95%CI=[ 36.15, 36.15] P(0/1/2)=1.00/0.00/0.00→TdP类=0 C= 0.1 µM qNet 中位= 37.55 95%CI=[ 36.86, 38.63] P(0/1/2)=0.93/0.07/0.00→TdP类=0 C= 0.3 µM qNet 中位= 39.59 95%CI=[ 38.20, 41.51] P(0/1/2)=0.04/0.96/0.00→TdP类=1 C= 1.0 µM qNet 中位= 43.26 95%CI=[ 40.95, 45.68] P(0/1/2)=0.00/0.31/0.69→TdP类=2 C= 3.0 µM qNet 中位= 47.08 95%CI=[ 44.72, 49.27] P(0/1/2)=0.00/0.00/1.00→TdP类=2 C= 10.0 µM qNet 中位= 50.77 95%CI=[ 48.70, 53.17] P(0/1/2)=0.00/0.00/1.00→TdP类=2

结果解读：①qNet 随 I_Kr 阻滞单调上升（36.15→52.99），且浓度扫描里类别概率随浓度迁移0→1→2、95%CI 随浓度张开后趋饱和（低浓度段 CI 宽度由 IC50 抽样主导，高浓度段由 Hill 饱和主导）——这是"报告分布而非点值"的活教材；②对冲场景（CaL+NaL 共阻滞）把 qNet 从 46.23 直接压到 15.40——第 8 篇 J-Tpeak 的细胞层伏笔；③本例未复极率恒为 0，因为名义 IC50=1 µM 下 10 µM 仅达 ~91% 阻滞且做了 97% 封顶——把浓度推到 30 µM 或封顶放宽就能看到失败标记登场（练习 2）；④玩具测试床复现的是 qNet 的数学行为与工程管线，其绝对值与 CiPAORdv1.0 无可比性——"qNet 在阈上浓度早于 APD90 显险"的定量优势以 Dutta 2017 与官方仓库数据为准（这也反向证明铁律 2：指标语义绑定在特定模型版本上，换模型=换标定）。

三、常见报错与排查

1. RuntimeWarning: overflow encountered in exp，随后结果 NaN 传染全矩阵。根因：1/(1+exp(-(V-Vh)/k))里 V 一旦因步长过大冲上 +500 mV，指数直接溢出。解法：所有 Boltzmann 型函数写np.clip(±50)（2.2 代码），同时检查积分步长——本篇演示模型dt=0.25ms配tau_h=2ms有 8 步/时间常数的裕量。
2. 细胞"锁死"在 −30 mV，APD 全是 NaN。根因：失活门稳态曲线写成激活型（hinf与xinf同形），Na 通道在平台电位下无法完全失活，窗口钠电流钉住膜电位。解法：逐一验证门控三要素——静息时 h→1、去极时 h→0、时间常数合理（本篇调试实录，两行打印即可定位）。
3. 第 1 拍 APD 就交差，稳态没到。现象：同一阻滞率不同prep给出相差 30 ms 的 APD90。根因：门控变量漂移极慢（如钙门控），CiPA 惯例 ≥100 拍预刺激（铁律 8）。解法：做prep收敛曲线（10/30/100/300 拍 APD90 差 <1 ms 才算稳）。
4. 引用出处写"Circ Res"或拿原版 ORd 参数跑"CiPAORdv1.0"。都是版本错位（1.1 节），前者是广泛误传、后者常在复现代码里悄悄发生。解法：模型注册表存 DOI+仓库 commit+源文件哈希（第 19 篇），CI 里加"模型版本断言"。
5. 把 GPL-3.0 的newordherg_qNet.c编进闭源插件分发。许可证风险（铁律 3）。解法：1.4 节两种姿势——进程边界外置官方 R，或 BSD 宿主重实现+官方结果仅作验证基准；商业分发前过 SBoM 审查（第 19 篇）。

四、动手练习

1. 把 2.3 的prep依次设 5/25/100，对 block=0.7 各跑一次：判定标准 |APD90(100)−APD90(25)| < 2 ms 且 APD90(25)−APD90(5) 明显更大（亲手看到稳态收敛）。
2. 将自验证③的浓度网格改为对数均布0.03…30 µM，logsd从 0.35 改 0.7，并把阻滞封顶0.97放宽到0.999：判定标准 CI 宽度（hi−lo）近似翻倍且高浓度档出现未复极率>0（失败显式化机制的现场验证）。
3. 在 Linux/WSL 用官方仓库跑Rscript AP_simulation.R -d dofetilide -x "1-10,15,20,25"：判定标准得到 qNet-浓度单调升曲线，与本篇 Python 复算趋势一致（绝对值不可比，写明原因）。

五、小结与下一篇预告

本篇完成"通道→细胞"的惊险一跃：qNet 的账本式定义、CiPAORdv1.0 的谱系与版本锁定、FDA R 工作流的逐字命令（R CMD SHLIB newordherg_qNet.c、-i "1-2000"、compute_qNet_CI.R、compute_TdP_error.R --uncertainty）与 Python 复算的三大工程纪律（并行系综/稳态预刺激/失败显式化）。上游是第 5 篇的 7 电流阻滞配置层，下游分两路：单细胞的 qNet/APD90 直接进第 8 篇的器官记分卡，而"很多细胞怎么一起动"是下一篇（第 7 篇）的主题——传导、折返与 svFSI 内建电生理算例。

本篇认知问题回显（FAQ）

Q1：O’Hara-Rudy（ORd）心室肌动作电位模型发表在哪里，CiPAORdv1.0 与它什么关系？
A：ORd 2011 发表于 PLoS Computational Biology 7(5):e1002061（doi:10.1371/journal.pcbi.1002061），"Circ Res 发表"是广泛误传。CiPAORdv1.0 是 Dutta 等 2017 年（Front Physiol 8:616，doi:10.3389/fphys.2017.00616）对其 I_Kr 动力学做优化重构的版本，即 FDA/CiPA 仓库里的 newordherg，两者参数不同、不可混用，引用与复算必须锁 DOI+版本号。

Q2：qNet 指标的定义与设计动机是什么，和 APD90 比优势在哪？
A：qNet=动作电位中后期净内向电荷，即平台窗内（I_CaL、I_NaL 等内向电流之和 − I_Kr、I_Ks 等外向电流之和）对时间的积分，正值为净内向盈余。动机：内向电流失衡在复极完成前即累积，比终点的 APD90 更早显险，且分项电流显式、对多通道对冲敏感（实跑 Kr70% 的 qNet 被 CaL35%+NaL70% 共阻滞压低）。官方窗口与电流清单见 models/newordherg_qNet.c。

Q3：FDA/CiPA 仓库做 dofetilide 不确定度仿真的逐字命令是什么？
A：cd models && R CMD SHLIB newordherg_qNet.c编译模型；Rscript AP_simulation.R -d dofetilide -x "1-10,15,20,25"用最优拟合参数扫浓度，加-i "1-2000"则对 2000 组 IC50/Hill 抽样传播不确定度；再Rscript compute_qNet_CI.R出 qNet 置信区间、Rscript compute_TdP_error.R --uncertainty对 CiPA 28 的 0/1/2 真值统计错分。仓库为 GPL-3.0，闭源插件须经进程边界调用或按口径重实现，不得链接进二进制。

Q4：用 Python 复算 qNet 有哪三大工程纪律？
A：①并行系综——阻滞率传长度为 S 的数组一次积分 S 个细胞，对应官方 2000 抽样；②稳态预刺激——按 CiPA 惯例 ≥100 拍（CL=1000ms）后只测末拍，防"假 APD"；③失败显式化——不复极样本返回 NaN-APD 并把未复极率作为一等输出上报，禁止静默丢弃。另加数值卫生：Boltzmann 函数 np.clip 防溢出、失活门稳态曲线方向单测。

Q5：TdP 风险 0/1/2 类别的概率是怎么算出来的？
A：以 CiPA 28 参考化合物集（data/CiPA_training_drugs.csv，类别 0/1/2）为真值，把每化合物每浓度的 2000 组不确定度参数 qNet 样本喂给序数逻辑回归（PMC6492074），输出三类别概率与决策阈值；评估用 compute_TdP_error.R --uncertainty 按序数错分统计。原型可用示意阈值三分（如对照中位×1.06/×1.18），正式交付须换回回归口径并报告灵敏度/特异度。