QSAR模型的数据集划分陷阱：为何内部测试性能可能骗过你

本文信息

• 标题：Toward More Trustworthy QSAR: A Systematic Discussion on Data Set Partitioning
• 作者：Shangyu Li, Peizhe Sun
• 发表时间：2026年2月2日
• 单位：哈尔滨工业大学（深圳）
• 期刊：Journal of Chemical Information and Modeling
• 卷期：66卷，2199-2210页
• 引用格式：Li, S.; Sun, P. Toward More Trustworthy QSAR: A Systematic Discussion on Data Set Partitioning. J. Chem. Inf. Model. 2026，66 (3), 2199-2210. https://doi.org/10.1021/acs.jcim.5c02465

摘要

随着QSAR模型开发的激增，人们对评估严谨性的担忧日益增加，特别是关于数据集划分的影响。

本研究使用5个不同规模的数据集，系统评估了随机划分（RS）、基于相似性的划分（SS）和随机种子变化对模型泛化能力的影响，研究覆盖了两种场景：化学筛选的有限数据场景和标准建模的充足数据场景。

研究发现，数据集划分方法的选择和随机种子的选择都会显著影响内部测试性能，而这种性能可能无法可靠反映真实的预测能力。虽然SS在许多情况下可以提高内部测试性能，但这些收益不一定能转化为更强的外部泛化能力。此外，在低采样比例下，SS在内部测试和外部测试上的表现可能都劣于RS。这挑战了为优化内部性能而设计的合理划分能够普遍改善模型性能这一隐含假设。

值得注意的是，在最小数据集上，不同随机种子间的内部测试变异性很高（$R^2$：0.453–0.783），而在固定的外部数据集上$R^2$变化较小（0.633–0.672），无论是否进行适用域（AD）过滤都是如此。这削弱了跨研究的可比性，并强调了得出过度乐观结论的风险。

本研究的发现强调，测试集的构建必须与真实应用场景相一致。研究者应避免依赖单一或精心挑选的随机种子，或不合适的合理划分方法。应采用透明的、与应用场景一致的划分协议和AD方法，以强调真正的外部泛化能力，而非可能被夸大的内部指标。

核心结论

• 内部测试性能不可靠：无论是RS还是SS，内部测试集的性能都可能误导对模型真实预测能力的评估
• SS的局限性：相似性划分虽然能提高内部测试性能，但对外部数据集的泛化能力提升有限
• 随机种子的敏感性：不同随机种子会导致模型性能的显著波动，需要多次重复验证
• 外部验证的必要性：只有通过独立外部数据集的验证，才能可靠评估QSAR模型的预测能力

背景

QSAR（Quantitative Structure-Activity Relationship，定量构效关系）模型是药物发现和化学信息学中的核心工具，通过建立化学结构与生物活性之间的数学模型，预测分子的性质和活性。随着机器学习技术的发展，QSAR模型的开发呈现爆发式增长，但一个根本性的问题始终困扰着研究者：我们如何知道一个模型真的有用？

传统的模型评估方法通常将数据集划分为训练集、验证集和测试集，通过交叉验证获得内部测试性能，然后报告$R^2$、RMSE等指标。然而，这种做法存在一个致命缺陷：内部测试性能可能无法反映模型在真实应用场景中的预测能力。

关键科学问题

本研究系统地探讨了以下核心问题：

1. 数据集划分方法的影响：随机划分（RS）和基于相似性的划分（SS）如何影响模型的性能评估？SS真的比RS更好吗？
2. 随机种子敏感性：不同随机种子导致的训练集/测试集划分差异，会对模型性能产生多大的影响？
3. 内部测试 vs 外部泛化：模型在内部测试集上的优异性能，是否能够转化为对独立外部数据的准确预测？
4. 数据规模的依赖性：在数据稀缺的化学筛选场景和数据充足的标准建模场景中，这些规律是否一致？

创新点

• 系统性评估：使用5个不同规模的真实数据集，系统比较RS和SS在不同场景下的表现
• 双重验证框架：同时评估内部测试集性能和独立外部数据集性能，揭示两者的差异
• 随机种子分析：量化随机种子变化对模型性能的影响程度
• 实用性指导：为QSAR模型的实践者提供数据集划分和模型评估的具体建议

研究内容

数据集与实验设置

研究使用了5个不同规模的环境化学数据集：

研究使用的数据集

这些数据集涵盖了从小样本（964个化合物，$K_{\text{oc}}$数据集）到大样本（11442个化合物，$K_{\text{ow}}$数据集）的规模范围，能够系统评估不同数据规模下模型性能的稳定性。

划分方法对比

研究对比了两种数据集划分策略：

• 随机划分（Random Split, RS）：完全随机地将数据分配到训练集和测试集，不考虑化合物的结构相似性
• 基于相似性的划分（Similarity-based Split, SS）：使用最大最小算法（MaxMin algorithm），根据化合物的分子指纹相似性进行划分，确保训练集和测试集的化合物在化学空间中有良好的分离

对于外部验证，研究从每个数据集中保留了独立的测试子集作为外部数据集，不参与任何训练和验证过程。

SS的具体实现

SS方法的核心目标是最大化训练集的结构多样性，具体实现如下：

这种方法让训练集包含更多样化的化合物结构，提升模型对化学空间的覆盖能力。

数据集三分法

研究采用了双重划分策略，将数据集分为三部分：

• 第一步划分（80:20）：使用代表性随机划分（RRS）将完整数据集分为建模集（modeling set）占80%和外部测试集（external set）占20%，外部测试集被完全保留不参与任何训练过程
• 第二步划分（50:50）：从建模集中假设只测量了50%的化合物（模拟有限数据场景），这50%用于模型训练，剩余50%作为内部测试集
• 最终比例：训练集40%、内部测试集40%、外部测试集20%，其中外部测试集在整个训练过程中完全固定

外部测试集的关键作用

外部测试集在训练过程中完全固定，不参与任何训练、验证或超参数优化，它的作用包括：

• 模拟真实应用场景：评估模型在完全未见过的数据上的预测能力，这是判断模型是否真正有用的关键标准
• 提供稳定评估标准：研究表明固定外部测试集上的性能变异远小于内部测试集（$R^2$波动0.633-0.672 vs 0.453-0.783），说明外部测试更加可靠
• 避免过度优化：防止研究者通过调整测试集组成来获得“虚假”的高性能，这在机器学习实践中是一个常见陷阱

实验设计的严谨性

为确保结果的可靠性，研究采用了严格的重复实验设计来量化随机因素对模型性能的影响：

• 随机种子范围：RS在80:20划分中使用随机种子1–49生成外部集，并据此定义RRS、BRS与WRS；对未明确说明的划分，使用随机种子1–10生成10个独立划分以降低抽样偏差
• 训练-测试配置：RS与SS各基于10个随机种子生成20种训练-测试配置，并使用3折交叉验证训练
• 外部集稳定性评估：从外部集抽样50%生成10个subexternal sets，用于评估外部测试的波动

核心发现1：内部测试性能的不可靠性

研究首先在鱼类急性毒性数据集（n = 908）上系统评估了RS和SS的表现。结果令人震惊：内部测试性能可能完全误导我们对模型能力的判断。

图1：鱼类急性毒性数据集上RS和SS的性能对比。该图展示了在不同训练集比例下，随机划分（RS）和基于相似性的划分（SS）在内部测试集和外部数据集上的性能表现。

• 面板A：在50%测量比例下，SS在内部测试集上显著优于RS，但外部数据集性能差异不大
• 面板B：不同训练集比例下，两种方法在内部测试集上的性能差异，SS始终优于RS
• 面板C：不同训练集比例下，两种方法在外部数据集上的性能差异，RS在某些情况下甚至优于SS
• 面板D：不同训练集比例下，RS和SS生成训练集的重叠率，RS的重叠率接近采样比例，而SS的重叠率明显更高

关键观察

SS在内部测试集上的“虚假优势”：在50%测量比例下，SS方法在内部测试集上的表现明显优于RS，但在独立外部数据集上两者差异很小，说明内部性能优势并不等同于真实泛化优势。

这意味着什么？如果你仅根据内部测试性能选择SS方法，你会认为它构建了一个更好的模型。但实际上，这个“更好”的模型在预测新数据时并不会比RS方法更强。

形象比喻：想象你在准备一场考试，SS方法就像是老师提前“透露”了考题范围，你在练习题上表现得很好（内部测试），但真正考试时（外部预测）并没有比随机准备的同学更强。因为练习题和真实考试的能力要求不完全一样。

此外，图1D显示RS的训练集重叠率接近采样比例，而SS由于MaxMin选择机制导致训练集高度重叠，这解释了SS内部测试更稳定却外部优势有限的原因。

核心发现2：外部子集选择会显著改变评估结论

图2：鱼类急性毒性数据集上不同外部子集的性能对比。该图展示了在多个外部子集上评估同一模型时的性能差异：面板A为模型层面的表现，面板B为外部子集层面的波动。

关键观察：无论采用RS还是SS，模型在不同外部子集上的表现都会出现明显波动，说明外部集构成本身就是影响结论的重要变量。

核心发现3：随机种子与AD设置会放大内部差异

研究系统评估了不同随机种子对模型性能的影响，发现这一因素常常被忽视，但实际上影响巨大。

图3：BRS/WRS与适用域（AD）分析。图3A比较BRS与WRS在内部测试与外部数据集上的表现，图3B展示不同AD方法与阈值下外部样本数量，图3C-D给出在最大相似度AD阈值0.5下的预测结果。

关键观察：BRS在内部测试上显著优于WRS，但在外部数据集上的差异明显缩小，且AD筛选后外部样本数量差异不大。摘要进一步指出，在最小数据集上内部测试$R^2$波动可达0.453–0.783，而固定外部数据集$R^2$仅为0.633–0.672，且这一稳定性不受AD过滤影响。

实践建议：在报告QSAR模型性能时，必须使用多个随机种子进行重复实验，报告均值和标准差，而不是单一随机种子的结果。

核心发现4：SS不一定带来外部优势

研究在所有5个数据集上系统比较了RS和SS的外部泛化能力，结果挑战了“SS总是更好”的普遍认知。

图4：模型残差分析与特征重要性。该图展示了BRS（最佳随机种子）和WRS（最差随机种子）模型在外部数据集上的残差对比，以及SHAP特征重要性分析。

这与普遍认知形成鲜明对比——许多研究者认为SS能够提高模型的“真实性”和“可靠性”，因此应该优先使用。但本研究表明，这种优势在独立外部验证时往往消失。

批判性思考：SS的核心假设是“测试集应该与训练集在化学空间中分离”，以模拟真实预测场景。然而，这种假设可能忽略了两个关键因素：

1. 化学空间的连续性：即使测试集化合物与训练集“不相似”，它们仍然可能共享相同的药效团或作用机制
2. 过拟合风险：SS倾向于选择“边界”化合物进入测试集，这些化合物可能更具“挑战性”，导致模型在内部测试时表现“较差”，但并不代表外部预测能力更强

核心发现5：建模工作流建议

研究基于发现，提出了在不同计算资源条件下的建模工作流建议。

图5：建模工作流建议。

面板A的关键发现包括：

• 所有使用HPO的策略都优于Baseline：超参数优化对提升模型性能至关重要
• 使用完整训练数据集重新拟合的策略表现更好：在HPO后用全部训练数据重新训练模型，比只用预训练数据效果更好
• RS-holdout准确性最低：由于验证集生成的高随机性，RS-holdout在超参数选择上存在较大变异性
• holdout策略的现实意义：在计算资源受限时，holdout可作为CV的折中方案，但需要注意随机性带来的不确定性

建模工作流建议

基于HPO策略的比较结果，研究提出了两种场景下的工作流：

关键区别：充足资源时使用交叉验证和多次划分以获得更稳健的结果，有限资源时使用holdout和相似性划分以平衡准确性和效率。

基于上述系统性研究发现，我们为QSAR模型的实践者提供以下建议：

数据集划分选择指南

模型验证最佳实践

1. 必须进行外部验证：仅报告内部测试性能是不够的，必须使用独立外部数据集验证模型
2. 多随机种子重复：至少使用5-10个不同随机种子，报告均值和标准差
3. 报告训练集重叠率：特别是使用SS时，应报告不同随机种子下训练集的重叠率
4. 敏感性分析：系统评估不同训练集比例（20%、40%、60%、80%）下的性能差异
5. 避免“cherry-picking”：不要只报告表现最好的随机种子结果

报告规范

在发表QSAR模型研究时，应完整报告以下信息：

• 数据集划分方法：RS还是SS？具体算法是什么？
• 随机种子：使用了哪些随机种子？是否重复实验？
• 训练集比例：训练集、验证集、测试集的比例是多少？
• 重叠率分析：不同随机种子下训练集的重叠率是多少？
• 内部vs外部性能：同时报告内部测试集和独立外部数据集的性能
• 性能波动范围：不同随机种子下的性能分布（箱线图或均值±标准差）

Q&A

• Q1：为什么SS在内部测试集上表现更好，但无法转化为外部优势？这不合理啊？
• A1：这个现象初看确实反直觉，但有其深刻原因。SS的核心假设是“测试集应该与训练集在化学空间中分离”，但这可能导致两个问题：
  1. 测试集偏差：SS倾向于选择“边界”化合物进入测试集，这些化合物可能更具“挑战性”，导致模型在内部测试时表现“较差”，但这个“较差”并不代表外部预测能力弱
  2. 训练集代表性：SS为了确保训练集和测试集的分离，可能牺牲了训练集的多样性，导致模型过拟合训练集的特定化学子空间，而对其他子空间的泛化能力下降

  形象地说，SS就像让学生考试“超出教学大纲”，学生在内部测试时表现较差（因为题目确实没见过），但这不代表他们在真实考试（外部预测）时会更差。真实考试可能既有一些“超纲题”，也有一些“常规题”，SS的学生可能在“常规题”上反而表现不佳。

• Q2：本研究只用了环境化学数据集，结论是否适用于其他QSAR任务（如活性预测、物化性质预测）？
• A2：本研究使用的数据集涵盖了环境化学的不同性质和规模（从964到11442个样本），具有一定代表性。但是，不同QSAR任务的特性可能不同：
  • 物化性质预测（如本研究）：数据集规模通常较大，性质与结构关系较直接，RS可能更合适
  • 毒性预测：通常数据集较小，且化合物结构多样性高，SS可能更有优势
  • 活性预测：通常针对特定靶点，化合物可能集中在特定化学空间，RS可能更合适

  因此，本研究的核心方法论和发现是通用的（如内部性能不可靠、随机种子影响大、必须外部验证），但具体的RS vs SS选择需要根据具体任务和数据特性调整。

关键结论与批判性总结

潜在影响

• 强化了外部泛化是核心指标的共识：单看内部测试很容易得出过度乐观的结论
• 提醒社区避免挑选随机种子与挑选划分策略造成的结论偏差，强调透明与可复现
• 将数据集划分从技术细节提升为科学问题的一部分，要求与真实应用场景对齐

存在的局限性与适用边界

• 结论主要建立在五个毒性数据集与既定评估流程上，仍需在更多任务类型与场景下验证
• 研究显示在低采样比例下，SS不一定优于RS，内部优势可能源于测试集变得更容易的组成偏差
• 即便引入适用域筛选，外部测试的波动仍显著小于内部测试，说明内部好看不等于外部可靠

未来研究方向

• 建立与真实应用对齐的测试集构建规范，明确外部测试集的角色与构建逻辑
• 完整记录并公开随机种子与划分细节，提升跨研究的可比性与可复现性
• 系统评估不同划分与适用域策略在外部数据上的稳健性，优先强调可迁移的泛化能力