按论文留一划分后,手性分离机器学习的表面性能消失,问题在数据而非模型
- 作者把最大的公开手性色谱数据集整理为一万多个对映体对,覆盖数百篇来源文献和多种色谱柱。
- 随机划分下,洗脱顺序预测明显优于随机;按论文留一划分后,降到与论文内置换零模型相当的水平。
- 大部分方差来自论文之间,无法由记录的条件预测,其余多为无法辨识的分子×条件交互作用和噪声。
- 作者认为瓶颈在数据结构,呼吁补充条件元数据、系统化网格、重复测定和记录失败结果。
💡 要点 基于摘要的观点
这与本周ADMET和多肽泄漏审计的教训一致,如今出现在分析化学中:只有按来源而非按分子做分组划分,才能看出模型能否迁移到下一个实验室。若团队用文献数据给手性方法排序或预测保留,别期待超出先验的表现。最可操作的是文末的数据收集清单。