基于机器学习的药物分子毒性预测
做药物安全性筛查：把分子的 SMILES 用 one-hot 编码成高维稀疏指纹，方差筛选 + PCA 降维后，五模型对比 + 熵权-TOPSIS 客观选模 + 阈值优化 + SHAP 找关键特征，一条完整的计算毒理建模流水线——代码、技术文档、配图全配齐。
数据与任务
| 样本量 | 7697 个药物分子 |
|---|---|
| 核心方法 | one-hot + PCA + 5 模型 |
| 技术栈 | scikit-learn · XGBoost · SHAP |
如果你想找一个把"AI + 药物安全性"做扎实、又能在面试里讲出门道的项目，这个「药物分子毒性预测」很合适。
它的方向挺有分量——拿真实的药物分子数据，预测一个化合物有没有毒性，本质就是新药研发早期的计算毒理筛查：在化合物进体外、动物实验之前，先用模型把高风险分子标出来。配套也给你备齐了，帮你真正搞懂它、在面试和答辩里讲明白：带中文注释、能读懂的代码，一份从背景一路讲到 SHAP 可解释性的技术文档，里面连面试 / 复试会被追问的问题都连参考答案写好了，还有一整套能直接做 PPT 的配图。
先说清楚，它到底在做什么
新药研发里，毒性是头号杀手——超过三成的候选药物在临床阶段因为毒性问题被淘汰。传统做法靠体外和动物实验筛毒，成本高、周期长，几万个候选分子根本测不过来。计算毒理想做的事，是在分子还停留在结构式的阶段，就用模型先把高风险的标记出来。难点也在这里：分子是一张化学结构图，机器看不懂，得先把"结构"变成能算的数字特征；而把 SMILES 字符串按字符 one-hot 展开后，特征一下子膨胀到两万多维、九成以上是 0——又高维、又稀疏、又不平衡（有毒样本只占 12.2%），这正是经典机器学习里最难啃的几类问题撞在一起。
这个项目从七千多个药物分子出发，搭了一条完整的毒性预测流水线：先把每个分子的 SMILES 用字符级 one-hot 编码成 28656 维稀疏指纹，再用方差筛选 + PCA 把它压到 100 维、滤掉海量冗余；接着对比五种经典模型并调参，用熵权-TOPSIS 客观选出最优模型，针对不平衡数据再做阈值优化，最后用 SHAP 找出到底哪些特征在驱动"有没有毒"的判断。
搞懂它，你能在面试里讲清楚什么
把下面几件事吃透，面试官顺着问下来你都能接得住。
分子怎么变成特征，两万多维的稀疏指纹又怎么降到能用。 这是整个项目的地基，也是和普通"调包分类"项目拉开差距的地方。你要能讲清楚：SMILES 按字符 one-hot 展开后为什么会有 28656 维、为什么九成以上是 0；先用方差筛选砍掉几乎不变化的位，再用 PCA 把保留下来的方向压到 100 维——既是为了加速训练，也是给高维稀疏数据做正则、压住过拟合。这一段把"高维稀疏怎么处理"讲透，就比只会跑分类的同学高一截。
为什么对比五种模型，又怎么客观选出最优。 项目对比了逻辑回归、SVM、随机森林、XGBoost、LightGBM 五种模型，覆盖线性、核方法、Bagging、Boosting 四大范式，并用熵权-TOPSIS 把准确率、精确率、F1、AUC 等多个指标综合成一个客观得分来排名——而不是凭感觉挑一个。你能借此讲清楚：在这种高维降维特征上，随机森林靠 Bagging 的天然正则为什么往往更稳，以及面对类别不平衡时，多个指标该怎么客观权衡、而不是只盯着准确率。
SHAP 怎么把模型讲成"看得懂的关键特征"，以及不平衡数据怎么处理。 面对 12.2% 的有毒样本，项目用了类别权重、阈值优化等多层策略来把少数类捞回来；再用 SHAP 排出哪些主成分特征最推动"有毒"的判断，让黑盒变透明。这一步在药物安全场景里特别加分，因为"为什么判它有毒"往往比单纯一个概率更重要。
下面这组分析图也都给你做好了，可以直接放进答辩或面试 PPT：
更关键的是，每张图怎么跑出来的、该怎么解读，技术文档里都讲清楚了——你能说明白每张图到底在说什么，而不是只会贴图。
面试官会问的，都帮你备好了
随便感受几个这个项目真实会被追问的问题：
- SMILES one-hot 编码后两万多维、还高度稀疏，你是怎么处理的？为什么选 PCA？
- 数据正负样本严重不平衡，你做了哪些处理、又该看哪些指标？
- 阈值优化是什么？默认 0.5 为什么不一定最优？
- 随机森林为什么在这个任务上排第一，逻辑回归差在哪？
看到会愣一下？正常。配套的项目讲解资料里专门有一整块，把这个项目——从整体思路到每个流程细节、各种可能被追问的点——连参考答案都给你写好了。另外还有现成的简历描述（学术版 / 工程版 / 口头精简版都备了），照着改就能写进简历；那套配图也能直接套进 PPT 模板，快速出一份面试 / 答辩 PPT。
配套资料：搞懂一个项目需要的，这里全都有
先看那份技术文档——从药物毒性筛查背景、SMILES 编码与高维稀疏特征，一路讲到方差筛选、PCA 降维、TOPSIS 选模与 SHAP 可解释性，图文并茂、推导清楚：
代码也给你了——关键部分都带着中文注释，帮你读懂"它到底是怎么实现的"：
技术文档、项目讲解资料、源码注释、整套配图——搞懂一个项目、并在面试里讲清楚它，需要的全都备齐了。
适合谁
不管你是赶毕设、想给简历添个有分量的交叉学科项目，还是在准备面试 / 考研复试，这个题目都接得住。专业上，计算机、人工智能、生物信息、药学、化学、数据科学方向都很合适——它把机器学习和真实的药物安全性筛查结合在一起，既有高维稀疏特征工程的硬核细节，又有完整的建模、选模、可解释性闭环。把这条计算毒理流水线真正搞懂、能讲出来，就是一个有故事、撑得起面试的项目。
想把这样的项目做成你简历上的亮点？
这是一套配齐了代码、文档、面试问答和配图的 AI+X 项目，可写进简历、在面试里讲清楚。 想做同类项目、或获取「基于机器学习的药物分子毒性预测」的完整资料（代码 / 数据处理流程 / 论文文档 / 配图）， 请联系为你介绍本页面的老师咨询，按你的情况定一个合适的项目。