如果把新药研发比作一场星光熠熠的选秀大赛，那么“靶点”就是舞台上成千上万的参赛选手——基因、蛋白质、信号通路，个个都想争那屈指可数的“冠军出道位”。可惜舞台资源有限，一支研发管线一年最多送两三个项目进入决赛圈。过去，药企靠几位专家闭门开会拍脑袋定优先级，就像评委凭感觉打感情分，常常预算烧掉了却“看走眼”。如今，AI 制药全链路中的靶点发现环节，引入了一套科学的“评委打分系统”——靶点优先级排序。它把成药性、新颖性、竞争格局、临床可行性变成可量化的打分指标，用权重分配告诉系统“哪个维度的话语权更重”，再用统一的评分模型打出综合分、排出座次。这不仅仅是一张排名表，更是一套从指标设计、权重计算，到决策看板、管线选择的完整决策系统，让“冠军靶点”的诞生有理有据、可回测、可迭代。

岗位关联

掌握靶点优先级排序，意味着你能用一套可解释、可迭代的量化决策框架，把 AI 模型输出转化为药物研发管线的硬性决策依据——这是 AI for Science 从业者从“算得出”走向“信得过”的关键跃迁。

目录
  1. 可视化演示
  2. 排序指标体系
  3. 指标设计要点
  4. 权重分配方法
  5. 综合评分模型
  6. 决策支持系统
  7. 管线选择应用
  8. 效果验证方法
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

演示成药性、novelty、竞争与临床多维打分、权重分配与排序，理解AI决策支持系统。

本节配有交互动效（进入视口后自动加载，约 3KB）。

多维打分：候选靶点 成药性 临床 Score 各维度累加为综合分

排序指标体系

选秀现场，四位评委各司其职：形体评委先看选手“能不能练出肌肉”，创意评委看“有没有新鲜记忆点”，市场评委看“同款选手扎不扎堆”，落地评委看“上场后会不会翻车”。候选靶点就像排着队等待考核的选手，而“靶点优先级排序”要做的，就是把这四种眼光变成一张可计算、可比较的打分表。

药企语境里，这四种眼光对应四个核心指标。成药性回答“这个靶点能不能被小分子或抗体药物稳稳抓住”；新颖性回答“它和已上市药物、在研管线有多大重叠，专利空间还剩多少”；竞争格局回答“同赛道有多少对手在抢”；临床可行性回答“从细胞实验走到病人身上，路有多长多险”。四个指标各有方向：前三者是越高越有利的“效益型”指标，而竞争格局恰恰相反——越拥挤越不利，属于“成本型”指标。

AI 模型会为每个候选靶点读取结构数据库、文献、专利、临床试验登记等数据，把四类信息分别量化为 0 到 10 分的原始分。随后系统为每个维度配上权重，权重越大代表该维度话语权越重，最终把四个加权项合并成一个综合分：

于是，四位评委的评分不再是各说各话，而是一张统一的成绩单。谁的综合分高，谁就能坐进“待定席”的高位，等待下一轮更精细的考核。

Scorei=wdrug x^drug,i+wnovel x^novel,i+wcomp(1−x^comp,i)+wclin x^clin,i\displaystyle \text{Score}_i = w_{\text{drug}}\,\hat{x}_{\text{drug},i} + w_{\text{novel}}\,\hat{x}_{\text{novel},i} + w_{\text{comp}}\left(1 - \hat{x}_{\text{comp},i}\right) + w_{\text{clin}}\,\hat{x}_{\text{clin},i}
公式通俗说明：综合分等于四个维度归一化得分的加权和，其中竞争维度的得分会被“倒过来”算——赛道越挤，反而扣分越多，就像同款选手越多越难出位。
  1. 总分记号下标 i 代表第 i 个候选靶点，Score_i 是它最终的综合分。
    Scorei\text{Score}_i
  2. 效益型加权项成药性、新颖性、临床可行性都是越高越好的指标，各自乘上权重 w 再加入总分。
    wdrug x^drug,i+wnovel x^novel,i+wclin x^clin,iw_{\text{drug}}\,\hat{x}_{\text{drug},i} + w_{\text{novel}}\,\hat{x}_{\text{novel},i} + w_{\text{clin}}\,\hat{x}_{\text{clin},i}
  3. 成本型反转项竞争格局越拥挤，\hat{x}_{\text{comp},i} 越高，但 (1 - \hat{x}_{\text{comp},i}) 把它反转成越低，体现“反向压制”。
    wcomp(1−x^comp,i)w_{\text{comp}}\left(1 - \hat{x}_{\text{comp},i}\right)
  4. 四段合一把效益型三项与成本型反转项加总，就得到可横向排序的综合分。
    Scorei=∑j∈{drug, novel, comp, clin}wj x^j,i\text{Score}_i = \sum_{j \in \{\text{drug, novel, comp, clin}\}} w_j\,\hat{x}_{j,i}

指标设计要点

但评委打分不能直接把“身高 180 厘米”和“唱功 9 分”硬比——单位都不一样。选秀节目设计打分表，第一关就是先把所有维度换算到同一把尺子上。靶点优先级排序的“打分表设计”，也就是指标设计，同样要先解决量纲和规则问题。

指标设计通常有三条要点：一是数据来源要可靠，成药性看结构域与结合口袋数据，新颖性看专利和管线重叠度，竞争格局看 ClinicalTrials 等登记库，临床可行性看同类靶点的历史推进率；二是评分规则要明确，每个分数对应什么证据等级，都要写清楚；三是尽量降低指标间的冗余——比如“专利数量”和“在研管线数量”往往高度相关，重复计入会无形中放大竞争维度的权重。

其中最基础的一步，是把不同来源、不同量纲的原始分统一映射到 0 到 1 的区间，这就是 min-max 归一化。它不改变每个指标内部的相对次序，只是换了一把通用的尺子：

打完这把“统一尺子”，评委们的打分才真正可以相加。这也解释了为什么指标设计是排序系统的地基：尺子乱了，后面所有算法都会跟着歪。

x^ij=xij−xjmin⁡xjmax⁡−xjmin⁡\displaystyle \hat{x}_{ij} = \frac{x_{ij} - x_{j}^{\min}}{x_{j}^{\max} - x_{j}^{\min}}
公式通俗说明：每个原始分先减去该指标的最差值，再除以最差到最好的“跨度”，结果就落在 0（最差）到 1（最好）之间。
  1. 分子（相对位置）x_{ij} 减 x_j^{\min}，表示第 i 个候选在第 j 个指标上比最差水平高出了多少。
    xij−xjmin⁡x_{ij} - x_{j}^{\min}
  2. 分母（极差）x_j^{\max} 减 x_j^{\min} 是该指标的极差，把“高出多少”缩放成 0 到 1 的小数。
    xjmax⁡−xjmin⁡x_{j}^{\max} - x_{j}^{\min}
  3. 归一化结果\hat{x}_{ij} 落在 0 到 1 之间，量纲被清除，四把不同的尺子终于可以相加。
    x^ij∈[0,1]\hat{x}_{ij} \in [0, 1]
  4. 成本型反转竞争格局这类成本型指标，归一化后还要用 1 减去它，方向反转后再进入后面的加权计算。
    1−x^ij1 - \hat{x}_{ij}

权重分配方法

四位评委的话语权不可能完全一样——创新药企可能更看重“新鲜赛道”，仿制药企更在意“可落地”。权重分配，就是决定“谁的打分在总分里占比多少”，这也是整个排序系统中争议最大、也最考验功力的环节。

常见方法分两类。主观赋权法以层次分析法（AHP）为代表，请专家对各种指标两两比较，给出“成药性比新颖性重要多少”之类的判断，再通过判断矩阵算出权重，相当于导演组钦定话语权；客观赋权法以熵权法为代表，完全让数据说话——某个维度的分数在候选之间差异越大，说明它越能区分选手，就越值得加重话语权。

熵权法的思路很巧妙：信息熵越大，说明数据越混乱、信息量越小；反之，候选之间在该维度差别越大，熵越小，这个维度越能“拉开差距”。具体权重由以下公式给出：

在实际项目中，业内常用组合权重：把 AHP 的主观权重和熵权的客观权重各取一半融合。这就像总导演给评委定话语权时，既参考江湖地位，也参考谁的历史打分更靠谱。

\displaystyle w_j = \frac{1 - e_j}{\sum_{k=1}^{m}(1 - e_k)}, \qquade_j = -\frac{1}{\ln n}\sum_{i=1}^{n} p_{ij}\ln p_{ij}, \qquadp_{ij} = \frac{\hat{x}_{ij}}{\sum_{i=1}^{n}\hat{x}_{ij}}
公式通俗说明：先算出每个指标的信息熵 e_j（数据越有区分度，熵越小），再用 1 减去熵得到“信息价值”，最后把所有指标的信息价值归一化成权重。
  1. 占比 p_{ij}把候选 i 在第 j 个指标上的归一化得分，除以该指标所有候选得分之和，得到相对份额。
    pij=x^ij∑i=1nx^ijp_{ij} = \frac{\hat{x}_{ij}}{\sum_{i=1}^{n}\hat{x}_{ij}}
  2. 信息熵 e_j对所有 p_{ij} 乘其对数再求和取负，得到该指标的信息熵，范围在 0 到 1 之间。
    ej=−1ln⁡n∑i=1npijln⁡pije_j = -\frac{1}{\ln n}\sum_{i=1}^{n} p_{ij}\ln p_{ij}
  3. 信息价值1 减 e_j 表示“信息冗余度”，熵越小、数值越大，说明该指标越值得被赋予高权重。
    1−ej1 - e_j
  4. 权重归一化把每个指标的信息价值除以所有指标信息价值之和，得到总和为 1 的权重向量。
    wj=1−ej∑k=1m(1−ek)w_j = \frac{1 - e_j}{\sum_{k=1}^{m}(1 - e_k)}

综合评分模型

有了指标和权重，接下来就是把所有分数“揉”成一张总成绩单。这就像选秀决赛夜，评委亮分后，导演组把所有分按权重加起来，算出一个最终名次。

最常用的模型是线性加权求和：每个候选靶点在每个维度上的归一化得分乘以对应权重，再全部相加，得到综合分。把所有候选的得分排成一个矩阵，所有权重排成一个向量，一次矩阵乘法就能同时算出所有人的分数。如果希望权重也能随着业务变化灵活调整，还可以引入多准则决策（MCDM）家族的方法（如 TOPSIS）做扩展，计算每个候选与“理想靶点”的贴近度。但对大多数优先级排序项目，线性加权已经足够透明、好用。

矩阵形式的表达式如下：

矩阵乘法的意义在于：一次运算同时给出所有候选的排名，而且每一步都可解释——哪个靶点是靠“新颖性”翻盘的，哪个是被“竞争红海”拖累的，评委团都讲得出依据。

S=X×w\displaystyle \mathbf{S} = \mathbf{X} \times \mathbf{w}
公式通俗说明：X 是一张“候选 × 指标”的归一化得分表，w 是各指标的权重列，两者相乘就得到每个候选的综合分向量 S。
  1. 得分矩阵 XX 是 n 行 m 列的矩阵，每一行是一个候选靶点，每一列是一个归一化指标。
    X=[ x^ij ]n×m\mathbf{X} = [\,\hat{x}_{ij}\,]_{n \times m}
  2. 权重向量 ww 是 m 维列向量，第 j 个分量就是第 j 个指标的权重。
    w=(w1,w2,…,wm)⊤\mathbf{w} = (w_1, w_2, \ldots, w_m)^{\top}
  3. 乘法规则矩阵乘法的本质是“每行元素与对应权重相乘后累加”，等价于逐个候选做线性加权求和。
    Si=∑j=1mx^ij×wjS_i = \sum_{j=1}^{m} \hat{x}_{ij} \times w_j
  4. 排序输出得到的得分向量 S 按从大到小排序，即最终的靶点优先级排名。
    S=(S1,S2,…,Sn)⊤\mathbf{S} = (S_1, S_2, \ldots, S_n)^{\top}

决策支持系统

排名只是第一步。真正的战场上，导演组需要一块实时作战大屏：每位选手的得分构成、排名变化、异常波动，都要看得见、能预警。靶点优先级排序里的这块“大屏”，就是决策支持系统（DSS）。

一个完整的 DSS 通常包含四块：数据看板、风险预警、自动化报告、人机协同。数据看板把每个靶点的四维得分与总分以图形化方式呈现；风险预警监控排名和关键指标的波动，一旦有异常就自动提示；自动化报告把排名结果连同理由整理成管理层能直接阅读的文档；最后仍然由人类专家拍板，AI 只提供证据，不替人做决定。

风险预警背后的逻辑很简单——把当期得分与上期对比，变化超过阈值就报警。比如某个靶点的竞争格局指标突然恶化，系统会提示“该赛道近期新增 3 条临床管线，排名可能下修”：

有了这块“作战大屏”，评委团的每一次改分都有记录、可追溯，决策不再依赖开会时谁的嗓门大，而是依赖一张持续更新的动态排名表。

ΔSi=Si(t)−Si(t−1),若 ΔSi<−θ, 则触发风险预警\displaystyle \Delta S_i = S_i^{(t)} - S_i^{(t-1)}, \qquad\text{若 } \Delta S_i < -\theta, \text{ 则触发风险预警}
公式通俗说明：用最新一期的综合分减去上一期的综合分，如果下降幅度超过预设的负阈值 −θ，系统就发出预警，提醒决策者重新审视这个靶点。
  1. 当期得分S_i^{(t)} 表示第 i 个靶点在本周期的综合分。
    Si(t)S_i^{(t)}
  2. 上期得分S_i^{(t-1)} 表示上一周期的综合分，是排名的历史参照点。
    Si(t−1)S_i^{(t-1)}
  3. 排名漂移两者相减得到变化量 ΔS_i，正数代表排名上升，负数代表下滑。
    ΔSi=Si(t)−Si(t−1)\Delta S_i = S_i^{(t)} - S_i^{(t-1)}
  4. 阈值比较当负向漂移超过阈值 θ 时触发预警，提示决策者关注异动。
    ΔSi<−θ\Delta S_i < -\theta

管线选择应用

排名表最终要落地到“选谁出道”。选秀节目的出道位有限，药企的研发管线资源同样有限——管线选择，就是决定哪几个候选靶点能拿到研发预算、推进到临床试验。

直接把排名第一的靶点“梭哈”是大忌。决策支持系统会基于排名结果构建优先级队列（top-K），再进一步做组合优化：把期望价值最高的几个项目放进管线，同时错开靶点通路和高相关项目、分散风险，并受预算、团队、时间等资源约束。用公式表达，就是在资源约束下最大化管线组合的期望价值——每个项目的成功率 p_i 乘以其市场价值 v_i 后求和，靶点的优先级得分可用来粗略估计 p_i：

换句话说，导演组不只看单个选手的星光，而是排布一整套“能互补、不撞车”的出道组合。冠军只有一个，但组合打好了，整季节目才好看。

max⁡K⊆候选集    ∑i∈Kpi×vi\displaystyle \max_{K \subseteq \text{候选集}} \;\; \sum_{i \in K} p_i \times v_i
公式通俗说明：在一个候选集合里挑出一个子集 K（比如前五名中选三个立项），使所有入选项目的“成功率 × 市场价值”之和最大。
  1. 候选子集 KK 是从全部候选靶点中选出的立项组合，K 的大小受资源约束。
    K⊆候选集K \subseteq \text{候选集}
  2. 成功率 p_i由靶点的优先级得分映射而来，排名越高、得分越高的靶点，预估成功率越大。
    pi∈(0,1)p_i \in (0, 1)
  3. 市场价值 v_i来自适应症人群规模、定价与竞争格局的估值，代表项目成功后的回报。
    vi≥0v_i \geq 0
  4. 组合期望价值每个入选项目的 p_i 与 v_i 相乘后累加，目标是在约束下让这个总和最大。
    ∑i∈Kpi×vi\sum_{i \in K} p_i \times v_i

效果验证方法

比赛结束不等于系统结束。最专业的导演组会反复看重播做“赛后复盘”：当年排进前三的选手，如今发展得怎么样？这套打分规则是不是真的靠谱？效果验证，就是给排序系统本身打分。

最直接的做法是历史回测：拿过去几年已经走完早期研发的靶点数据，用当时的信息跑一遍排序模型，看 AI 推荐的前 K 名里有多少后来真的进入临床或推进成功，计算命中率，并与随机选靶的基线比较。如果命中率显著高于基线，说明排序模型有效；如果差距很小，就要回头检查指标设计和权重分配，进入指标迭代优化的循环。

命中率的定义很简洁：AI 推荐且成功推进的靶点数，除以推荐总数：

赛后复盘让打分表越用越准。靶点优先级排序不是一锤子买卖，而是一个会学习、会迭代的“选秀系统”——这正是它从一张纸变成研发基础设施的原因。

HitRate=NpromotedNtop-K×100%\displaystyle \text{HitRate} = \frac{N_{\text{promoted}}}{N_{\text{top-}K}} \times 100\%
公式通俗说明：命中率就是“模型推荐的 K 个靶点中，后来真正往前走的那几个所占的百分比”。它直接回答“听 AI 的话到底值不值”。
  1. 推荐总数N_{\text{top-}K} 是模型按综合分挑出的前 K 名靶点数量，是回测的分母。
    Ntop-KN_{\text{top-}K}
  2. 成功推进数N_{\text{promoted}} 是这些被推荐靶点中后来进入临床或取得关键进展的数量。
    NpromotedN_{\text{promoted}}
  3. 命中率计算两者相除再乘 100%，得到 0 到 100 的百分比数值。
    NpromotedNtop-K×100%\frac{N_{\text{promoted}}}{N_{\text{top-}K}} \times 100\%
  4. 基线对比把命中率与随机选靶的基线（例如 20%）比较，差距越大，说明排序模型的增量价值越高。
    HitRate>HitRaterandom\text{HitRate} > \text{HitRate}_{\text{random}}

AI 应用场景

创新药企的管线立项评审会

阶段：靶点发现 → 决策支持

解决的问题：传统立项评审靠专家拍脑袋，会议经常变成“谁的嗓门大谁说了算”，候选靶点的优劣缺乏统一标尺。AI 优先级排序把成药性、新颖性、竞争格局、临床可行性量化成一张打分表，让争论焦点从“我觉得”变成“数据支撑”。

具体案例：某 biotech 在季度立项会上用熵权法给 40 个候选靶点打分排序，生成四维得分构成图与 Top-K 推荐清单。管理层据此把资源集中到前 5 名，其中 3 个在随后两年进入 IND 阶段，命中率显著高于此前随机选择的项目。

靶点评估报告的自动化生成

阶段：指标设计 → 数据管线

解决的问题：人工整理文献、专利、临床登记数据通常耗时数周，且每周都有新数据进来，报告刚写完就过时。AI 指标管线自动抓取多源数据、做归一化处理和去冗余，再按既定权重生成带排名的评估报告，把“两周一份”变成“每周自动刷新”。

具体案例：某数据团队搭建了每周日凌晨自动运行的靶点情报流水线，从 ClinicalTrials、专利库和文献库抓取增量数据，更新竞争格局指标并重算排名，把排名漂移超过 10% 的靶点自动标红提醒。

大型药企的组合管线风险管理

阶段：管线选择

解决的问题：大型药企同时推进数十个项目，若高分靶点集中在同一信号通路，一旦机制失败就会“一损俱损”。AI 排序系统在综合得分之外，输出靶点间相关性和适应症重叠度矩阵，辅助做组合优化与错峰配置。

具体案例：某药企在排版管线时发现前 8 名中有 5 个都依赖同一激酶通路，系统建议保留 2 个高置信度项目、推迟 1 个，同时补入 2 个高新颖性但低相关的靶点，使组合的期望风险明显下降。

Python 演示

python56 行
# -*- coding: utf-8 -*-"""Entropy-weight based target priority ranking."""import pandas as pdimport numpy as np  def min_max_normalize(col, reverse=False):    """Min-max normalize a column; reverse flips direction for cost indicators."""    col_min = col.min()    col_max = col.max()    if col_max == col_min:        return pd.Series(1.0, index=col.index)    norm = (col - col_min) / (col_max - col_min)    return 1 - norm if reverse else norm  def entropy_weights(norm_df):    """Compute weights from information entropy of each indicator."""    n = len(norm_df)    p = norm_df / norm_df.sum(axis=0)    e = -(1 / np.log(n)) * (p * np.log(p + 1e-12)).sum(axis=0)    d = 1 - e    return d / d.sum()  def rank_targets(targets, metric_cols, reverse_cols=()):    """Normalize -> entropy weights -> weighted sum -> sort by rank."""    norm = pd.DataFrame(index=targets.index)    for col in metric_cols:        norm[col] = min_max_normalize(targets[col], reverse=(col in reverse_cols))    w = entropy_weights(norm)    targets['score'] = norm.dot(w)    targets = targets.sort_values('score', ascending=False).reset_index(drop=True)    targets['rank'] = targets.index + 1    return targets, w  if __name__ == '__main__':    # 原始数据：五个候选靶点在四个维度上的原始分（0-10）    targets = pd.DataFrame({        'name': ['EGFR', 'KRAS', 'PD-L1', 'CD47', 'BRD4'],        'druggability': [8, 4, 9, 6, 7],        'novelty': [3, 6, 5, 8, 9],        'competition': [9, 5, 7, 4, 6],        'clin_feasibility': [8, 3, 8, 5, 6],    })    result, w = rank_targets(        targets,        metric_cols=['druggability', 'novelty', 'competition', 'clin_feasibility'],        reverse_cols=('competition',),    )    print('Entropy weights:')    for name, weight in w.items():        print('  {} = {:.3f}'.format(name, weight))    print('\nRanking:')    print(result[['rank', 'name', 'score']].to_string(index=False))
目的：用熵权法自动计算四个排序指标的权重，再用线性加权得到候选靶点的综合排名，完整复现“打分 → 赋权 → 排序”主链路。
  1. targets = pd.DataFrame({...})把 5 个候选靶点的四维原始分装进一张表，模拟评委团的原始打分单，每个维度都是 0 到 10 分
  2. def min_max_normalize(col, reverse=False)定义归一化函数，先做 min-max 变换，reverse 为 True 时对成本型指标做方向反转
  3. norm[col] = min_max_normalize(targets[col], reverse=(col in reverse_cols))对每一列做归一化，竞争格局是成本型指标，因此被反转处理
  4. w = entropy_weights(norm)用数据自身的离散程度（信息熵）自动算出四个维度的权重，完全不依赖人工拍脑袋
  5. targets['score'] = norm.dot(w)归一化矩阵乘权重向量的矩阵乘法，一步算出所有靶点的综合得分
  6. targets = targets.sort_values('score', ascending=False).reset_index(drop=True)按综合分降序排列，重置索引后天然得到排名

常见误区

误区我觉得综合分第一的靶点就是“冠军”，直接把资源全部押上去，跳过机制验证和临床风险评估。毕竟 AI 都把它排第一了，还会有错吗？

正解排序反映的是相对优先级，而不是绝对成功率。No.1 也可能整体得分并不高，只是“矮子里拔将军”。它真正传递的信息是“在同等条件下，先做它最划算”。正式立项前仍需机制研究、可专利性评估和安全性窗口判断。命中率回测能证明排序明显优于随机选择，但从不打包票。

为何常见：把“相对次序”误读为“绝对保证”，是新手最容易踩的陷阱，因为排名表天然给人“确定性”的错觉。

误区权重只是业务偏好，随便调一调没什么大不了。我觉得新颖性更重要，就给它 0.6，其他三项均分剩下的，这样最快。

正解权重直接决定最终排名，随意调整会让结果失去可复现性。正确做法是结合 AHP 主观权重与熵权客观权重形成组合权重，并对权重做敏感性分析：如果某个权重在 ±20% 范围内波动就导致 No.1 易主，说明这个排序并不稳健，需要回访指标和权重设计。

为何常见：“加权求和”看起来只是简单的乘法，恰恰掩盖了权重对结果的巨大杠杆作用，让人误以为它无害。

误区查一下 PubMed，论文越多的靶点一定竞争越激烈；论文少的靶点就是蓝海，直接上。看数字就能拍板。

正解竞争格局要综合已进入临床的在研管线数、专利布局密度与到期时间、适应症重叠程度。论文多有时说明该靶点生物学证据充分、生态友好，反而利于推进；论文少也可能只是因为研究工具不成熟。只用论文数，会把“热闹”误判成“拥挤”。

为何常见：论文数据最容易采集，于是人们习惯用一维数字代替多维事实，陷入了“手里有锤子看什么都像钉子”的思维。

误区排名表是季度交付物，算完就归档，下次开会再翻出来用。反正靶点短时间内又不会大变。

正解靶点的竞争格局、临床证据、专利状态几乎每周都在变。决策支持系统应该周期性重算排名，并记录排名漂移作为预警信号——一个从第 3 名掉到第 9 名的靶点，背后往往藏着值得深挖的异动。排序系统是活的决策工具，不是一次性的报表。

为何常见：把动态决策问题当作静态报表来做，是传统数据交付思维留下的惯性。

面试题

Q1. 以下哪项属于“成本型”指标（数值越高，对靶点越不利）？

单选题 · easy

  • A.成药性的打分
  • B.新颖性的评估
  • C.竞争格局的拥挤度← 正确答案
  • D.临床可行性评估

答案：C。竞争格局是典型的成本型指标——拥挤度越高，研发成功率越低，排序时应被反向压制。成药性、新颖性、临床可行性都是越高越有利的效益型指标。就像选秀里同款选手越多，出位机会反而越小。

Q2. 对原始打分做 min-max 归一化的主要目的是？

单选题 · easy

  • A.放大权重的差异
  • B.消除量纲的影响← 正确答案
  • C.减少样本的数量
  • D.提高模型的精度

答案：B。min-max 归一化把不同量纲的原始分映射到 [0, 1]，让四个维度可以相加、相乘。它不改变指标内部排序，也不放大权重差异，更不会增减样本或直接提升模型精度。

Q3. 熵权法确定指标权重时，衡量信息量大小的量是？

单选题 · mid

  • A.指标的方差
  • B.指标的信息熵← 正确答案
  • C.指标的协方差
  • D.指标的标准差

答案：B。熵权法的核心是信息熵：候选之间差异越大，熵越小，信息量越大，权重越高。方差、标准差虽也衡量离散程度，但熵权法标准公式用的是信息熵，协方差则用于衡量两个指标的关系，与赋权逻辑无关。

Q4. 线性加权综合评分模型隐含的重要假设是？

单选题 · mid

  • A.指标数据必须归一化
  • B.权重必须来自专家打分
  • C.指标之间相互独立← 正确答案
  • D.指标数量必须为四个

答案：C。线性加权的前提是指标贡献可线性叠加且尽量独立，否则相关性强的指标会被重复计权。归一化和权重来源都是实现细节，指标数量也不限于四个。就像四位评委若互相串通，打分相加就失去意义。

Q5. 一个完整的靶点优先级决策支持系统通常包含哪些模块？

多选题 · mid

  • A.数据看板呈现← 正确答案
  • B.风险预警提示← 正确答案
  • C.自动化报告生成← 正确答案
  • D.自动执行临床试验

答案：ABC。DSS 的四块是数据看板、风险预警、自动化报告、人机协同决策。“自动执行临床试验”已超出决策支持范畴，属于执行环节。决策链路是：看见 → 预警 → 成文 → 人类拍板。

Q6. 层次分析法中引入一致性比率 CR，主要用于？

单选题 · hard

  • A.对原始指标做标准化
  • B.计算每个指标的信息熵值
  • C.检验判断矩阵的逻辑自洽性← 正确答案
  • D.减少专家打分的轮次

答案：C。一致性比率 CR 检验专家的两两比较是否自洽，CR 小于 0.1 才认为判断矩阵可以接受。标准化、熵计算都与它无关，CR 也不能减少打分轮次，它只负责“对表”——确认专家们的判断没有互相矛盾。

Q7. 以下哪些做法有助于提升优先级排序结果的稳健性？

多选题 · hard

  • A.组合主客观权重← 正确答案
  • B.相关性去冗余← 正确答案
  • C.权重敏感性分析← 正确答案
  • D.历史回测验证← 正确答案

答案：ABCD。组合主客观权重吸收业务经验与数据信息；去冗余避免高相关指标被重复计权；敏感性分析考察权重扰动下排名是否稳定；历史回测验证模型输出质量。四项分别从输入、结构、鲁棒性、输出四个角度加固排序系统。

Q8. 用历史管线回测“命中率”时，分母应取？

单选题 · mid

  • A.全部历史靶点的数量
  • B.晋级临床阶段的靶点数
  • C.推荐前 K 名的靶点数← 正确答案
  • D.最终成功上市的药品数

答案：C。命中率 = 成功推进数 ÷ AI 推荐的前 K 名数。分母必须是模型筛选过的集合，才能回答“模型有没有比随机更好”。若分母取全部历史靶点，会稀释模型的作用，无法评估排序增量价值。

Q9. 高新颖性靶点最常见的主要风险是？

单选题 · easy

  • A.专利保护范围相对窄
  • B.机制与安全性认知不足← 正确答案
  • C.临床患者招募较为困难
  • D.市场容量已经趋于饱和

答案：B。高新颖性意味着上下游机制验证少，生物学证据不足是最大风险，直接推高研发不确定性。高新颖性通常伴随更宽的专利空间，市场也远未饱和，因此 A、D 是反向特征，招募困难更多与适应症相关而非新颖性。

Q10. 组合管线选择时，除综合得分外还应考虑？

多选题 · hard

  • A.靶点间的相关性← 正确答案
  • B.研发资源约束← 正确答案
  • C.管线组合的风险← 正确答案
  • D.单个靶点的最高分

答案：ABC。管线组合要看靶点间相关性、资源约束和组合风险，避免高风险项目扎堆同一通路；“单个靶点的最高分”已经被综合得分体现，重复纳入没有信息增量。好的选秀导演排的是互补阵容，不是五个同类型选手。