想象你是一位老刑警，深夜接到一桩蹊跷悬案：患者出现种种异常症状——发热、乏力、器官衰竭（这就是“疾病表型”），可凶手是谁，毫无头绪。全市有两万多个“嫌疑人”，每个都有一份厚厚的档案（基因序列、表达水平、功能注释）。你的任务，是从这两万多个嫌疑人中锁定真正的“元凶基因”。这个元凶一旦定罪，制药公司就能针对它设计解药——这就是 AI 制药的第一步“靶点发现”。本文要讲的“疾病-基因关联预测”，就是教计算机像老刑警一样破案：收集线索、建立画像、交叉比对、反复推演，最终输出一份“嫌疑基因排行榜”，把元凶排在最前面。

岗位关联

掌握疾病-基因关联预测，是踏入 AI 制药赛道的入场券。它让你从“会调模型”升级为“懂靶点逻辑”的 AI 科研人，直接参与新药研发中最关键的源头决策。

目录
  1. 可视化演示
  2. 一、基本概念：立案与建档
  3. 二、数据基础：收集卷宗
  4. 三、特征工程：绘制嫌疑人画像
  5. 四、关联算法：多路并进的侦查手段
  6. 五、模型评估：防止冤假错案
  7. 六、工具与流程：从立案到结案
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

一、基本概念：立案与建档

破案的第一步是搞清楚案件性质：你追查的是“谋杀”还是“盗窃”？对应到疾病-基因关联，我们要先定义：什么样的“病”配上什么样的“基因”，才叫“有关联”。疾病的“案情现场”就是表型——患者表现出的所有可观测特征，如症状、影像、生化指标；而“嫌疑人档案”则是基因变异，比如 DNA 序列上单个位点的突变（单核苷酸多态性，SNP）。

若某个基因的变异在患者群体中显著富集，我们就说该基因与疾病“存在关联”。但注意，关联不等于因果——一个基因在案发现场出现过，未必就是凶手。作为破案线索，关联已足够启动后续验证。在计算机里，我们把所有线索存进一张“旧案档案表”，也就是关联矩阵：

有了档案和立案标准，破案才谈得上方法论。记住这张 0/1 矩阵——它是整场侦查的地图，也是后面所有算法的出发点。

Ad,g={1,基因 g 与疾病 d 已被证实关联0,关联未被证实\displaystyle A_{d,g} = \begin{cases} 1, & \text{基因 } g \text{ 与疾病 } d \text{ 已被证实关联} \\ 0, & \text{关联未被证实} \end{cases}
这张 0/1 矩阵像警局的档案柜：每个格子记录一对“疾病-基因”是否有据可查。AI 破案的目标，就是给所有 0 的位置打分排序，把最可能的元凶顶到榜首。
  1. 关联矩阵定义用一个二维表格记录所有疾病与所有基因的已知关系，行是疾病、列是基因。
    Ad,g\displaystyle A_{d,g}
  2. 已知关联取值该基因与疾病已有实验证据支持，对应格子记为 1，代表“已结案”。
    Ad,g=1\displaystyle A_{d,g} = 1
  3. 未知关联取值尚未证实关系的格子记为 0，这些空白正是我们要预测的地方。
    Ad,g=0\displaystyle A_{d,g} = 0
  4. 预测目标为每个 0 位置输出一个 0 到 1 之间的嫌疑得分，得分越高越值得优先验证。
    P^(d,g)∈(0,1)\displaystyle \hat{P}(d,g) \in (0,1)

二、数据基础：收集卷宗

老刑警从不凭感觉破案，靠的是卷宗里堆积如山的线索。AI 破案同样如此，先得收集三类卷宗：基因侧的“嫌疑人档案”、疾病侧的“案情描述”、以及历史上的“结案记录”。基因组数据来自 GWAS（全基因组关联分析），它在成千上万的患者与健康对照中扫描变异位点，输出每个 SNP 的关联 p 值；疾病表型数据来自 OMIM 这类标准库，把症状、病理整理成规范化的疾病本体；已知关联库如 DisGeNET、CTD，则收录了发表在权威期刊上的“已结案”记录——哪些基因与哪些疾病铁证如山。

拿到原始卷宗还不能直接用。一个基因往往包含多个 SNP，单个 SNP 的信号很微弱，好比一条孤立的线索不足以定罪。我们需要把基因内所有 SNP 的 p 值合并成一个“基因级”信号，最经典的合并方法是 Fisher 法：

卷宗备齐、线索汇总成档后，下一步就是给每个嫌疑人画“画像”——这就是特征工程。

χ2=−2∑i=1kln⁡(pi)\displaystyle \chi^2 = -2 \sum_{i=1}^{k} \ln(p_i)
把基因里 k 个 SNP 的 p 值分别取对数后求和。每条线索都不够硬，但汇总在一起，就构成一份有分量的“嫌疑档案”。
  1. 取出 p 值每个 SNP 输出一个 0 到 1 的显著性 p 值，越接近 0 说明该位点与疾病越相关。
    pi\displaystyle p_i
  2. 对数变换对 p 值取自然对数再乘 -2，把小 p 值放大为大正值，便于后续求和。
    −2ln⁡(pi)\displaystyle -2 \ln(p_i)
  3. 基因内汇总把该基因覆盖的所有 SNP 的变换值相加，得到基因级统计量。
    χ2=−2∑i=1kln⁡(pi)\displaystyle \chi^2 = -2 \sum_{i=1}^{k} \ln(p_i)
  4. 显著性判定该统计量服从自由度为 2k 的卡方分布，查表即可判断基因是否与疾病显著关联。
    χ2∼χ2k2\displaystyle \chi^2 \sim \chi^2_{2k}

三、特征工程：绘制嫌疑人画像

刑警队里最厉害的老手，光看嫌疑人走路的姿态就能认出惯犯。这种“一眼识人”的能力，靠的是把无数细节浓缩成一张画像。对基因和疾病也是如此：原始序列、表达数据、功能注释都是零散线索，必须浓缩成计算机能拿来进行比对的数值向量，也就是“画像特征”。

基因编码把 DNA 序列、表达水平、蛋白功能标签转成数值向量；疾病编码把症状、解剖部位、病理类型转成同样维度的标准向量。有了向量，就能计算相似度——两个基因功能相近，或者两种疾病表型相似，它们的向量在空间里就“靠得近”。最常用的度量是余弦相似度，它只看方向、不看长度，天然适合高维稀疏的特征向量：

画像画好了，所有嫌疑人的“相似关系”就织成了一张大网——基因相似网络。下一步，就是用各种算法在这张网上追查元凶。

Sim(gi,gj)=xi⋅xj∥xi∥⋅∥xj∥\displaystyle \text{Sim}(g_i, g_j) = \frac{x_i \cdot x_j}{\lVert x_i \rVert \cdot \lVert x_j \rVert}
这是两个画像向量的夹角余弦值。余弦越接近 1，说明两个基因“长得越像”——就像两名嫌疑人的作案手法高度一致，值得并案侦查。
  1. 特征向量表示每个基因用 n 维数值向量表示，维度可以是功能标签、表达谱等。
    xi,xj∈Rn\displaystyle x_i, x_j \in \mathbb{R}^n
  2. 点积计算两个向量对应维度相乘后求和，衡量共同特征的数量。
    xi⋅xj=∑k=1nxikxjk\displaystyle x_i \cdot x_j = \sum_{k=1}^{n} x_{ik} x_{jk}
  3. 向量模长各自长度（L2 范数），用于消除特征总量差异带来的偏差。
    ∥xi∥=∑k=1nxik2\displaystyle \lVert x_i \rVert = \sqrt{\sum_{k=1}^{n} x_{ik}^2}
  4. 归一化比值点积除以模长乘积，得到取值在 -1 到 1 之间的相似度得分。
    xi⋅xj∥xi∥⋅∥xj∥\displaystyle \frac{x_i \cdot x_j}{\lVert x_i \rVert \cdot \lVert x_j \rVert}

四、关联算法：多路并进的侦查手段

老刑警各有绝活：有人擅长排查关系网，有人擅长数据分析侧写。疾病-基因关联预测也发展出几大流派。网络传播法像“顺着关系网摸瓜”：把基因相似网络当成情报网，从已知关联的节点出发，让“嫌疑分数”像水波一样扩散出去，收敛后分数最高的未知基因就是头号嫌疑人。最经典的是带重启的随机游走（RWR）：

另一大流派是机器学习法，如逻辑回归、随机森林：把已知关联当作训练标签，把基因、疾病特征当作输入，直接学出一个打分函数。深度学习更进一步，用图神经网络自动学习节点表征并预测缺失边，相当于“AI 侧写师”从海量数据中自动提炼线索。最后，把几种方法的结果加权融合（多源融合），就像刑侦专家会诊——综合各方意见，结论才更可靠。

s(t+1)=(1−α)s(0)+αWs(t)\displaystyle s^{(t+1)} = (1-\alpha) s^{(0)} + \alpha \boldsymbol{W} s^{(t)}
每次迭代，分数一部分“重启”回初始证据，一部分沿网络流向邻居基因。反复迭代后分数稳定，就得到每个基因的嫌疑指数。
  1. 初始分数向量s(0) 由已知关联构成，相当于立案时的既有证据。
    s(0)\displaystyle s^{(0)}
  2. 转移矩阵W 是归一化后的相似网络邻接矩阵，决定分数如何流向邻居。
    W=D−1A\displaystyle \boldsymbol{W} = \boldsymbol{D}^{-1} \boldsymbol{A}
  3. 扩散项α W s(t) 表示当前分数沿网络结构传播一步，影响范围逐步扩大。
    αWs(t)\displaystyle \alpha \boldsymbol{W} s^{(t)}
  4. 重启项(1-α) s(0) 保留初始证据，防止分数扩散太远而失真。
    (1−α)s(0)\displaystyle (1-\alpha) s^{(0)}
  5. 迭代收敛反复迭代直到分数不再变化，最终得分即各基因的关联得分。
    s∗=lim⁡t→∞s(t)\displaystyle s^{*} = \lim_{t \to \infty} s^{(t)}

五、模型评估：防止冤假错案

再神的老刑警也可能抓错人。办案系统里最忌讳冤案：把无关基因当成靶点，后续药物研发烧掉十亿美金才发现方向错了。所以每次预测都必须经过“模拟复核”。复核的第一步是准备基准数据集：从已知关联中留出一部分当作标准答案，只让模型预测这些留出的条目，对答案时才知道模型有没有“抓对人”。

交叉验证把数据切成 K 份，轮流留一份当考卷、其余当教材，确保每条已知关联都被复核过一次，杜绝“只背熟某几道题”的偏科现象。评价指标中，AUC 衡量模型把真关联排在非关联前面的能力；另一个常用指标 F1 分数则综合了精确率与召回率：

复核通过，嫌疑人名单才能提交给“制药审判庭”。性能调优的过程——调整重启概率 α、换特征组合、改网络结构——就像反复演练侦查方案，直到破案率满意为止。

F1=2×Precision×RecallPrecision+Recall\displaystyle F_1 = \frac{2 \times \text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}
F1 是精确率和召回率的调和平均。精确率看“抓来的人里多少是真凶”，召回率看“真凶里抓到了多少”，F1 要求两者兼顾，防止办案偏科。
  1. 精确率定义预测为正的样本中，真正为正的比例。
    Precision=TPTP+FP\displaystyle \text{Precision} = \frac{TP}{TP + FP}
  2. 召回率定义真正为正的样本中，被预测为正的比例。
    Recall=TPTP+FN\displaystyle \text{Recall} = \frac{TP}{TP + FN}
  3. 调和平均两个指标分别取倒数、求平均、再取倒数，当某一项极低时 F1 会被显著拉低。
    F1=2×P×RP+R\displaystyle F_1 = \frac{2 \times P \times R}{P + R}

六、工具与流程：从立案到结案

一个成熟的刑警队有标准办案流程：接警、取证、画像、排查、移送。疾病-基因关联预测同样有成熟的端到端流水线。常用工具有：DisGeNET（已知关联库，相当于“全国联网档案库”）、OMIM（疾病表型库）、STRING（蛋白互作网络）、Cytoscape（网络可视化），以及各类开源算法包。整个流程分四步：数据下载与清洗、特征构造与网络构建、模型训练与评估、结果排序与解读。

在最终决策环节，多源融合常被用来汇总各方证据：把网络传播分数、机器学习分数、文献共现分数加权求和，得到综合优先级得分：

最终输出的“嫌疑基因排行榜”交到湿实验团队手里，就像刑警把案卷移交检察院。榜单前几名的基因进入功能验证管线，其中被实验证实的基因，就是新药研发的真正起点。

Prior(d,g)=β1Snet+β2Sml+β3Slit\displaystyle \text{Prior}(d,g) = \beta_1 S_{\text{net}} + \beta_2 S_{\text{ml}} + \beta_3 S_{\text{lit}}
三个分数就像三位侦探的独立报告，β 是权重，代表你有多信任这位侦探。权重可凭经验设定，也可以在评估集上自动优化。
  1. 网络传播分RWR 等网络方法给出的关联得分，擅长捕获间接关系。
    Snet\displaystyle S_{\text{net}}
  2. 机器学习分监督模型输出的关联概率，擅长利用多维特征。
    Sml\displaystyle S_{\text{ml}}
  3. 文献证据分从文献共现频率统计出的证据强度，代表历史研究热度。
    Slit\displaystyle S_{\text{lit}}
  4. 加权综合三路分数按权重相加，权重之和通常为 1，得到最终排序分。
    Prior=∑i=13βiSi\displaystyle \text{Prior} = \sum_{i=1}^{3} \beta_i S_i

AI 应用场景

罕见病靶点挖掘

阶段：靶点发现（上游）

解决的问题：罕见病往往患者稀少、已知信息匮乏，传统湿实验逐一验证基因周期长、成本高。AI 用网络传播法从少量已知致病基因出发，在蛋白互作网络中扩散分数，把数百个候选基因压缩到前 10 名，让研究人员集中火力验证。

具体案例：某团队针对病因不明的罕见神经退行性疾病，利用 RWR 算法整合 STRING 网络与 OMIM 表型数据，预测出 5 个高潜基因，后续细胞实验证实其中 2 个显著影响神经元存活，直接支撑了立项。

药企立项靶点评估

阶段：靶点发现 → 先导化合物筛选

解决的问题：药企在立项时要评估“哪个靶点值得投入”，传统做法依赖专家经验和文献调研，容易遗漏潜在靶点。AI 用多源融合排序平台扫描全基因组，综合网络、机器学习与文献三个维度的证据，给出可量化的靶点优先级。

具体案例：某药企在肿瘤管线中，用加权融合模型对 2 万个基因排序，发现一个此前未被重视的代谢酶基因排名第 6，进一步对接可成药性评估后进入临床前开发，成为差异化管线的核心资产。

药物重定位

阶段：靶点发现 → 适应症扩展

解决的问题：已上市药物的已知靶点若被预测与多种疾病关联，就能“一药多用”，大幅降低研发成本。疾病-基因关联预测为老药找到新案子，是典型的“翻旧案、抓新凶”。

具体案例：基于 DisGeNET 已知关联数据，AI 预测降糖药物靶点基因与某炎症性疾病的关联分数显著高于背景分布，团队随即启动回顾性临床数据分析，观察到该药患者炎症指标改善，推动 II 期临床试验设计。

Python 演示

python52 行
#!/usr/bin/env python3# -*- coding: utf-8 -*-"""疾病-基因关联预测:基于网络传播的候选靶点排序""" import numpy as np # 已知关联矩阵:行=疾病 列=基因 1=已证实关联assoc = np.array([    [1, 0, 0, 1, 0, 1, 0, 0],  # 乳腺癌    [0, 1, 1, 0, 1, 0, 0, 1],  # 2型糖尿病    [1, 1, 0, 0, 0, 0, 1, 0],  # 阿尔茨海默病    [0, 0, 1, 1, 0, 1, 0, 1],  # 非小细胞肺癌    [0, 1, 0, 0, 1, 0, 1, 0],  # 帕金森病]) # 基因功能相似度矩阵,来自GO功能注释gene_sim = np.array([    [1.0, 0.3, 0.1, 0.6, 0.2, 0.5, 0.1, 0.2],    [0.3, 1.0, 0.5, 0.2, 0.6, 0.1, 0.4, 0.3],    [0.1, 0.5, 1.0, 0.1, 0.4, 0.2, 0.3, 0.6],    [0.6, 0.2, 0.1, 1.0, 0.1, 0.7, 0.2, 0.1],    [0.2, 0.6, 0.4, 0.1, 1.0, 0.2, 0.5, 0.3],    [0.5, 0.1, 0.2, 0.7, 0.2, 1.0, 0.1, 0.4],    [0.1, 0.4, 0.3, 0.2, 0.5, 0.1, 1.0, 0.2],    [0.2, 0.3, 0.6, 0.1, 0.3, 0.4, 0.2, 1.0],]) diseases = ["乳腺癌", "2型糖尿病", "阿尔茨海默病", "非小细胞肺癌", "帕金森病"]genes = ["BRCA1", "INS", "APOE", "EGFR", "GCK", "TP53", "SNCA", "ALK"]  def network_propagate(disease_idx, alpha=0.6, max_iter=10):    """带重启的随机游走:从已知关联出发沿基因相似网络扩散分数"""    seed = assoc[disease_idx].astype(float)    score = seed.copy()    for _ in range(max_iter):        score = (1 - alpha) * seed + alpha * gene_sim.dot(score)    return score  def main():    for di in range(len(diseases)):        raw = network_propagate(di)        unknown = np.where(assoc[di] == 0)[0]   # 只看未证实关联的基因        ranked = sorted(unknown, key=lambda gi: -raw[gi])        top = ranked[0]        print("疾病:%-6s 预测候选靶点:%-6s 嫌疑指数:%.3f"              % (diseases[di], genes[top], raw[top]))  if __name__ == "__main__":    main()
目的：用带重启的随机游走算法，在基因功能相似网络上为每个疾病传播“嫌疑分数”，输出未证实关联中得分最高的候选靶点。
  1. assoc = np.array([[1, 0, ...]])手工构造 5 种疾病乘 8 个基因的已知关联矩阵，代表警局的“旧案档案”。
  2. seed = assoc[disease_idx].astype(float)取出该疾病的已知关联向量并转为浮点数，作为初始“嫌疑证据”。
  3. gene_sim.dot(score)矩阵乘法实现“分数沿基因相似网络扩散”，关系越好分走得越多。
  4. score = (1 - alpha) * seed + alpha * gene_sim.dot(score)迭代核心：一部分分数沿相似网络扩散，一部分保留初始证据，防止跑偏。
  5. unknown = np.where(assoc[di] == 0)[0]只取关联矩阵中为 0 的基因，即“尚未破案”的候选对象。
  6. ranked = sorted(unknown, key=lambda gi: -raw[gi])按嫌疑指数从高到低排序，找出头号嫌疑人。

常见误区

误区模型预测某个基因与疾病“关联”得分很高，那这个基因肯定就是致病基因，可以直接作为药物靶点开发。

正解关联预测只是破案线索，不是定罪证据。它告诉我们“这个基因值得优先验证”，但基因是否真正驱动疾病，必须靠细胞实验、动物模型等湿实验确认功能机制。就像嫌疑人出现在案发现场附近，还需要作案动机、时间线等证据链才能定罪。

为何常见：初学者容易被高分误导，因为模型输出的是概率，听起来像是“结论”。实际上预测分数衡量的是统计相关性，与生物学因果隔着实验验证这道鸿沟。

误区把 DisGeNET 下载的已知关联 100% 用于训练，模型在测试集上表现完美，认为方法已经成熟可靠。

正解这相当于“拿着考卷答案去考试”。已知关联既是训练依据也是评估标准，必须留出一部分作为基准数据集，用交叉验证模拟“预测未知”的真实场景，否则分数虚高、上线即翻车。

为何常见：人脑天然喜欢“分越高越开心”的反馈，很容易忽略数据泄漏问题。尤其关联数据之间共享基因特征，不做好留出划分，模型会记住答案而非学会推理。

误区模型 AUC 达到 0.95，就认为所有高排名基因都可信，直接把这批基因全部送去做实验。

正解AUC 衡量的是整体排序质量，而实际靶点发现只关注排行榜前几名。AUC 高不代表前 10 名一定命中，应额外看 TOP-K 命中率（比如前 10 个预测里验证成功几个），这才是贴近真实成本的指标。

为何常见：AUC 在学术论文里是“标准动作”，容易让人形成路径依赖。但药企拍板时问的是“前十个里能中几个”，而不是“整体曲线下面有多大”。

误区把表达谱、甲基化、蛋白互作、文献共现、基因长度……所有能拿到的特征全部塞进模型，认为信息越多越准。

正解冗余和冲突的特征会引入噪声，还可能造成维度灾难，让模型在小样本下过拟合。特征工程讲究“画像清晰”而非“档案臃肿”，应基于先验知识筛选互补性强的特征，并通过消融实验验证每个特征的实际贡献。

为何常见：多源数据融合是行业热点，初学者容易把“融合”理解成“堆砌”。实际上融合的前提是每路特征都经过单独验证，否则就像把几十份真假混杂的线报不加甄别全收进案卷。

误区把预测结果理解成“找到那个唯一的致病基因”，排行榜第二名就毫无价值。

正解复杂疾病（如糖尿病、肿瘤）往往是多基因共同作用的结果，基因之间通过通路协同致病。预测结果应该解读为“候选基因集合”，后续还要做通路富集、共表达分析，看它们是否属于同一条致病链条。

为何常见：单基因孟德尔病的教材案例先入为主，让人误以为所有疾病都遵循“一个基因一个病”的简单规律，忽略了绝大多数疾病的复杂性。

面试题

Q1. 疾病-基因关联矩阵中，位置 A_{d,g}=0 表示什么？

单选题 · easy

  • A.基因 g 与疾病 d 无任何关系
  • B.基因 g 与疾病 d 关联尚未证实← 正确答案
  • C.基因 g 必须从候选中排除
  • D.基因 g 与疾病 d 已被证实关联

答案：B。关联矩阵中 0 表示该关联未被证实，是待预测的候选位置。A 错在“无任何关系”过于绝对，未证实不等于无关系；C 错在待预测基因恰恰需要保留；D 是 1 的含义。

Q2. 下列哪个数据库专门收录已证实的疾病-基因关联？

单选题 · easy

  • A.DisGeNET 关联数据库← 正确答案
  • B.PDB 蛋白质结构库
  • C.BLAST 序列比对工具库
  • D.UniProt 蛋白注释库

答案：A。DisGeNET 是公认的疾病-基因关联数据库，相当于“已结案档案库”。PDB 收录蛋白三维结构，UniProt 收录蛋白功能注释，BLAST 是序列比对工具，都不是关联记录库。

Q3. Fisher 合并法将基因内多个 SNP 的 p 值合并为基因级信号，核心运算是？

单选题 · mid

  • A.取各 p 值中的最大值
  • B.取各 p 值中的最小值
  • C.p 值取对数后求和汇总← 正确答案
  • D.各 p 值直接求算术平均

答案：C。Fisher 法对每个 p 值计算 -2ln(p)，再求和得到卡方统计量。取最大或最小值会丢失大部分信息，直接平均没有统计检验的理论支撑，都不是标准做法。

Q4. 余弦相似度计算两个基因特征向量相似程度，其取值范围是？

单选题 · mid

  • A.0 到 1 的闭区间
  • B.-1 到 1 的闭区间← 正确答案
  • C.负无穷到正无穷开区间
  • D.0 到正无穷半开区间

答案：B。余弦相似度是两向量夹角的余弦值，取值范围为 [-1,1]。1 表示方向完全一致，-1 表示方向相反。A 只覆盖非负情形，C、D 与余弦函数的数学性质不符。

Q5. RWR 网络传播算法中，重启项 (1-α)s(0) 的主要作用是？

单选题 · mid

  • A.加速模型随机初始化
  • B.保留初始证据防止扩散失真← 正确答案
  • C.清除所有已知关联信号
  • D.给网络引入额外噪声

答案：B。重启项让每次迭代都保留一部分初始种子证据，避免分数在网络中扩散过远、与起点脱节，相当于让侦查始终围绕原始线索展开。A、D 描述的是初始化与噪声，C 与保留证据相反。

Q6. 下列哪些是疾病-基因关联预测的常用特征来源？

多选题 · mid

  • A.基因表达谱数据← 正确答案
  • B.蛋白互作网络数据← 正确答案
  • C.疾病表型本体信息← 正确答案
  • D.患者姓名等隐私信息

答案：ABC。表达谱刻画基因活性，蛋白互作网络刻画基因间关系，疾病表型本体刻画疾病相似性，三者都是合法特征。患者姓名是隐私数据且与生物学机制无关，既不合规也无预测价值。

Q7. 交叉验证中留出部分已知关联当作测试集的根本目的是？

单选题 · hard

  • A.削减模型训练阶段的计算量
  • B.模拟未知关联情境评估泛化能力← 正确答案
  • C.扩充模型可用的训练样本量
  • D.消除基因间相似度带来的干扰

答案：B。留出测试集的目的是模拟“预测从未见过的关联”这一真实场景，检验模型是否学会推理。A 是副产品而非目的，C 与留出方向相反，D 与验证目的无关。

Q8. 关于 F1 分数，下列说法正确的有？

多选题 · hard

  • A.强调精确率与召回率的均衡← 正确答案
  • B.取值范围为闭区间 0 到 1← 正确答案
  • C.数值越高说明模型综合表现越好← 正确答案
  • D.只关注精确率而忽略召回率

答案：ABC。F1 是精确率与召回率的调和平均，天然惩罚偏科，这正是“均衡”的体现；两个指标都不超过 1，故 F1 在 [0,1] 内；F1 越高代表查得准又查得全。D 与 F1 定义直接矛盾。

Q9. 多源融合公式 Prior = β₁S_net + β₂S_ml + β₃S_lit 中，系数 β 的含义是？

单选题 · hard

  • A.各证据来源的可信权重← 正确答案
  • B.梯度下降的学习速率
  • C.损失函数的正则化系数
  • D.网络传播的重启概率

答案：A。β 表示对每路证据（网络、机器学习、文献）的信任程度，权重越大说明越相信该路得分。学习率、正则系数、重启概率分别是优化、约束、传播过程里的超参数，与本公式无关。

Q10. 关于“关联不等于因果”，下列说法正确的有？

多选题 · extreme

  • A.关联预测只产出候选基因清单← 正确答案
  • B.预测结果需要实验验证功能机制← 正确答案
  • C.关联基因必然直接导致疾病发生
  • D.预测分数高即可直接进入药物开发

答案：AB。关联预测的价值在于把大量基因压缩成少量候选，是“筛选线索”而非“定罪”；后续必须通过功能实验验证机制，才能确认因果。C 混淆关联与因果，D 跳过验证直接开发药物会带来极高的失败风险。