DataWhale AI夏令营 从零入门 AI for Science（AI+药物）

siRNA药物药效预测

赛题任务

聚焦经过化学修饰的siRNA序列数据预测其对相应的信使RNA（mRNA）沉默效率指标

赛题数据简介

train_data.csv的每行为一条训练记录，包含数据记录的id、siRNA裸序列、相应的siRNA修饰序列、目标mRNA序列、siRNA浓度、细胞系、转染方法等实验室条件以及对应的实验室测量的mRNA Remaining值等总计19个字段。其中mRNA Remaining值为我们模型的训练目标，其余18个字段的全部或部分可以作为模型的输入特征。Remaining值代表了经过siRNA的沉默之后，mRNA的剩余百分比（相对于对照组）。Remaining值越低，siRNA的沉默效率越好，药效就越好。

baseline架构与评价体系

在这次比赛中，模型的评分由多个指标共同决定，以全面评估模型的性能。这些指标包括平均绝对误差（MAE）、区间内的平均绝对误差（Range MAE和和F1得分（F1 Score）。这些指标分别衡量模型在预测上的准确性和稳定性，以及在区间内的表现。最终的评分（Score）是综合这些指标的加权结果。

• 平均绝对误差（MAE）

mae = np.mean(np.abs(y_true - y_pred))

• 二值化处理

y_true_binary = (y_true < threshold).astype(int)
y_pred_binary = (y_pred < threshold).astype(int)

• 区间内的平均绝对误差（Range MAE）

mask = (y_pred >= 0) & (y_pred <= threshold)
range_mae = mean_absolute_error(y_true[mask], y_pred[mask]) if mask.sum() > 0 else 100

• F1 分数

precision = precision_score(y_true_binary, y_pred_binary, average='binary')
recall = recall_score(y_true_binary, y_pred_binary, average='binary')
f1 = 2precision * recall / (precision + recall)

• 综合评分（Score）

score = (1 - mae / 100) * 0.5 + (1 - range_mae / 100) * f1 * 0.5

构建与优化模型

• 深度学习？->LSTM、Tranformer or 传统机器学习？->随机森林、XGBoost
• 针对模型超参数进行调优