11月AI×Bio赛事日历：从Kaggle质谱赛到蛋白设计挑战赛
从这一期开始，「AI×Bio 赛事」成为固定栏目：每周一档，上半场是赛事日历速递（本周 deadline、方向、适合人群），下半场挑一个当期赛事做Baseline 起步实战。做这个栏目的动机很简单：此前 Enveda CASMI 质谱赛那篇实战（站内互链）的收藏率是全账号最高档——赛事文「有截止日期、有数据、能直接动手」，是收藏型内容的黄金形态。
⚠️deadline 红线：赛事截止日期以官方页面实时显示为准，本文不臆造具体日期；开跑前务必到赛页核对。
速递层：11 月上旬赛事日历
以下为方向型日历，deadline 与奖金均以各官方页面为准：
| 赛事/方向 | 平台 | 方向 | 适合人群 |
|---|---|---|---|
| 质谱小分子结构鉴定（CASMI 线） | Kaggle | 质谱→分子结构 | 质谱/化学信息学，PyTorch 基础 |
| 蛋白结构/设计类挑战 | 各平台轮动 | 蛋白折叠与设计 | 生信 + 结构生物学 |
| 单细胞分析类竞赛 | 平台轮动 | 组学聚类/注释 | 扫描图/AnnData 使用者 |
| 生物医学 NLP 类 | 平台轮动 | 文献/病历文本 | LLM 微调经验者 |
每类赛事在本栏目后续各期轮动做 Baseline。具体在打哪场、什么时候截止，评论区互相通报（deadline 变动我会在下期更新）。
深度层：质谱赛的 Baseline 最小路径
为什么首期选质谱赛？两个理由：一是它是我唯一完整跑过数据管线的赛题（10-28 那篇实战的延续，踩过的坑可以直接搬过来）；二是它的任务结构（谱图→结构）对生信背景的同学最友好——本质是「多输入特征 → 分类/检索」，和序列分析思维同构。
以 Kaggle 质谱线为例（详细赛制见 10-28 Enveda CASMI 文，互链），任务是「给定质谱图 → 预测候选小分子结构」。第一次提交的最小路径分四步：
- 看懂数据：训练集是「谱峰列表 + 对应分子 InChIKey」；
- 构造特征：把峰列表变成模型可用的固定长度向量；
- 先上检索 Baseline：不训深度模型，用「谱图相似度 + 分子指纹最近邻」就能出第一版提交；
- 再迭代：搭一个简单的峰序列编码器（1D CNN/Transformer）。
先建立「能提交」的底线，再谈排名——这是所有数据竞赛的第一原则。检索 Baseline 的意义不仅是热身：它同时验证了你的数据读取、提交格式、评分理解三个环节，深度模型上线后还要用它做 sanity check（如果端到端模型打不过检索基线，先怀疑实现而不是急于调参）。
环境准备：十分钟搭好比赛工作台
开跑前把环境一次配齐，避免中途反复折腾：
# 竞赛环境一键脚本（本地或 Kaggle Notebook 之外的云机）conda create-naibiopython=3.11-y&&conda activate aibio pipinstallpandas numpy scikit-learn rdkit torch --index-url https://pypi.org/simple# rdkit 若 pip 失败，走 conda-forge：# conda install -c conda-forge rdkit -ymkdir-paibio-comp/{data,src,sub}echo"data/ 放原始数据, src/ 放代码, sub/ 放提交文件"建议养成两个习惯：所有随机过程设固定 seed（复现自己的分数是和队友协作的基础）；数据文件不进 git（用dvc或至少.gitignore+ 下载脚本），比赛结束复盘时不至于对着代码找不到数据。
代码块 1：数据加载与特征构造
# pip install pandas numpy rdkitimportnumpyasnpimportpandasaspdfromrdkitimportChemfromrdkit.ChemimportMACCSkeys N_BINS=1000MZ_MAX=1000.0# 按赛的 mz 范围调整defspectrum_to_vector(peaks,n_bins=N_BINS,mz_max=MZ_MAX):"""peaks: [(mz, intensity), ...] → 固定长度强度向量"""vec=np.zeros(n_bins,dtype=np.float32)formz,inteninpeaks:idx=int(mz/mz_max*(n_bins-1))if0<=idx<n_bins:vec[idx]+=inten# 同 bin 强度累加ifvec.max()>0:vec/=vec.max()# 归一化returnvecdefmol_fingerprint(smiles):mol=Chem.MolFromSmiles(smiles)ifmolisNone:returnNonefp=MACCSkeys.GenMACCSKeys(mol)# 167 位 MACCS 指纹returnnp.array(fp,dtype=np.float32)# 训练集示意（列名以实际数据字典为准）df=pd.read_csv("train_spectra.csv")df["spec_vec"]=df["peaks"].apply(lambdas:spectrum_to_vector(eval(s)))df["mol_fp"]=df["smiles"].apply(mol_fingerprint)代码块 2：检索 Baseline 与提交文件生成
fromsklearn.neighborsimportNearestNeighborsimportnumpyasnp# 构建分子指纹库mask=df["mol_fp"].notna()fp_matrix=np.stack(df.loc[mask,"mol_fp"].values)nn=NearestNeighbors(n_neighbors=5,metric="jaccard")nn.fit(fp_matrix)test=pd.read_csv("test_spectra.csv")rows=[]for_,rintest.iterrows():q=spectrum_to_vector(eval(r["peaks"]))# 简易策略：谱向量最近邻训练样本 → 其分子指纹近邻sims=df["spec_vec"].apply(lambdav:float(np.dot(v,q)))top=df.loc[sims.nlargest(5).index,"mol_fp"]top=np.stack([tfortintopiftisnotNone])dist,idx=nn.kneighbors(top.mean(axis=0,keepdims=True))pred=df.loc[mask].iloc[idx[0][0]]["inchikey"]rows.append({"id":r["id"],"inchikey":pred})pd.DataFrame(rows).to_csv("submission.csv",index=False)print("已生成 submission.csv，共",len(rows),"条")两段代码跑通即完成「可提交 Baseline」——先上车，再谈排名。后续期再讲深度模型的谱编码器与数据增强。
三个第一次参赛最容易踩的坑
把这些放在代码之后、因为它们都是跑通 Baseline 之后才会暴露的问题：
坑一：提交格式校验比模型调优更早出事。第一次提交被拒的常见原因不是分数低，而是 InChIKey 大小写、列名、行数不匹配。对策：本地写一个格式校验函数（行列数、列名、值域三查），每次生成提交后自动跑。
坑二：训练/测试的谱图预处理必须同源。归一化方式（强度除以基峰还是总量）、mz 分箱边界，训练和推理必须逐字一致——不同源的特征是「静默掉分」的头号来源，而且排行榜上完全看不出来。
坑三：不要在公开榜上过度拟合。质谱赛公开集与私有集的分子分布通常有差异，公开榜蹭分技巧（如针对候选集频次的后处理）在最终榜上经常反噬。正确姿势：本地按分子骨架分层做交叉验证，公开榜只作为方向性参考。
时间管理：deadline 驱动的三段投入法
竞赛时间是最稀缺资源，建议按 40/40/20 分配：40%花在数据理解与验证集设计上（最不性感但决定上限）；40%花在 Baseline 迭代与错误分析上（看错例比调参有用）；20%留给提交前最后的格式校验与集成。倒排时间点：deadline 前 72 小时冻结方法、前 24 小时只做集成与选提交。
怎么挑「值得投入」的比赛
赛事多了之后，挑比赛比打比赛更影响收益。给三个筛选维度，按权重排：
- 数据质量 > 奖金：有干净、规模合理、文档齐全的数据集的比赛，就算不进奖牌区，跑完数据管线本身也是作品集素材（面试/跳槽时「完整打过一场数据赛」的说服力远超课程项目）；
- 与你的主线技能有 70% 重叠：完全陌生的领域学习成本会吞掉全部业余时间；完全熟悉的领域又学不到东西——重叠七成、留三成新知识的比赛性价比最高；
- 时间盒匹配：评测「剩余可投入小时数 × 每周可连续时间」与赛程是否匹配，两个周末的碎片时间打不了需要持续调参的 NLP 赛，但够打一个特征工程为主的表格/谱图赛。
用这三条过滤完，通常一季值得认真打的比赛就 1–2 场。贪多必然都打不完，这也是本栏目每周只推一档的原因：日历帮你省筛选时间，专注力还是得自己省。
下期预告与互动
下期（下周一档）：更新 11 月中旬 deadline 变动 + 按评论区呼声选一场赛事做深度 Baseline（蛋白设计类优先候选）。如果这期的检索 Baseline 你跑通了，欢迎晒分数——下期可能引用你的实测结论（注明来源）。速查表与两段代码都可以直接搬走，欢迎反馈哪里卡住了，卡点会优先写进下期。
本期速查要点回顾：deadline 以官方页为准 → 环境一键脚本 → 检索 Baseline 先上车 → 预处理同源 → 公开榜不过拟合 → 40/40/20 时间分配。
收藏钩子
建议先收藏：下期同一时间更新 deadline 变动与新赛事 Baseline。你在打的 AI×Bio 比赛是哪场？评论区报个到，人多的话下期优先做那场的实战。另外如果对「谱编码器」的深度模型路线（1D CNN → 峰序列 Transformer → 预训练迁移）感兴趣，也可以留言点单，我会按呼声安排在后续期展开。
参考来源 / 信源清单
- 站内互链：10-28 Enveda CASMI 文（169462842）、10-30 赛事速查文（169561355）
- Kaggle 赛事页：https://www.kaggle.com/competitions（deadline 以赛页实时显示为准）
- 各赛事官方页面（成文时逐一核验）
AI 辅助生成，人工核验后发布。
