日韩精品一区二区三区在线视频放-无码中文字幕V?一区二区-成年片免费观看视频-国内少妇人妻丰满av-国产精品中文字幕免费观看-亚洲成人久久一区二区三区-国内少妇偷人精品视频无缓冲-一区二区国产精品日本一区二区三区在线网

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營的一線實(shí)戰(zhàn)洞察。

藥物活性預(yù)測與ADMET性質(zhì)建模:從分子描述符到機(jī)器學(xué)習(xí)實(shí)戰(zhàn)

藥物活性預(yù)測與ADMET性質(zhì)建模:從分子描述符到機(jī)器學(xué)習(xí)實(shí)戰(zhàn) 做藥物活性預(yù)測這個(gè)項(xiàng)目起因其實(shí)挺樸素。計(jì)算化學(xué)和機(jī)器學(xué)習(xí)結(jié)合已經(jīng)不是新鮮事了但很多剛?cè)肟拥呐笥涯玫降慕坛桃粗恢v算法原理要么只給代碼跑一遍就結(jié)束很難直接遷移到自己的分子數(shù)據(jù)集上。這次我把ERα拮抗劑活性預(yù)測和ADMET性質(zhì)預(yù)測整套流程完整走了一遍用到了Python生態(tài)里最經(jīng)典的那幾個(gè)模型——神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、SVM、KNN還有回歸家族中間加了PCA做特征壓縮把踩過的坑和關(guān)鍵參數(shù)調(diào)整都記錄下來希望對(duì)正在做類似QSAR或者藥物篩選的朋友有實(shí)際幫助。這個(gè)項(xiàng)目的價(jià)值在于兩點(diǎn)一是ERα是乳腺癌藥物研發(fā)里非常重要的靶點(diǎn)能在化合物合成前用模型快速評(píng)估拮抗活性能省下大量濕實(shí)驗(yàn)成本二是ADMET性質(zhì)預(yù)測解決的是“活性有了但成藥性差”的痛點(diǎn)把吸收、分布、代謝、排泄和毒性風(fēng)險(xiǎn)在早期就暴露出來。整套流程跑通后對(duì)一個(gè)新化合物從活性到成藥性的初步評(píng)估幾分鐘內(nèi)就能出結(jié)果。1. 項(xiàng)目整體思路與方案選型1.1 核心需求拆解ERα拮抗劑預(yù)測本質(zhì)上是一個(gè)分子性質(zhì)回歸問題。我們把分子結(jié)構(gòu)轉(zhuǎn)化成計(jì)算機(jī)能理解的特征向量然后讓模型學(xué)習(xí)“結(jié)構(gòu)特征→拮抗活性”之間的映射關(guān)系。常用的活性指標(biāo)是IC50值但I(xiàn)C50是微摩爾級(jí)別數(shù)值跨度過大直接回歸效果不好所以業(yè)界普遍先做負(fù)對(duì)數(shù)轉(zhuǎn)換轉(zhuǎn)換成pIC50這樣數(shù)值范圍基本落在4到10之間更符合回歸模型對(duì)目標(biāo)變量分布的要求。ADMET預(yù)測則是另一套邏輯。它不是一個(gè)單一任務(wù)而是多個(gè)二分類或回歸子任務(wù)的集合。比如血腦屏障穿透能力可以做成“能穿透/不能穿透”的二分類水溶性可以做成回歸預(yù)測LogS值。項(xiàng)目標(biāo)題里把這些任務(wù)放在一起表面上看起來復(fù)雜實(shí)際上核心挑戰(zhàn)是一致的如何用有限的數(shù)據(jù)訓(xùn)練出泛化能力強(qiáng)的模型以及如何處理高維稀疏的分子特征。1.2 為什么選這五種算法先說說模型選型的思路。如果你去過Kaggle或者看過多篇QSAR論文會(huì)發(fā)現(xiàn)這幾個(gè)算法出場率極高不是沒有原因的。隨機(jī)森林是集成學(xué)習(xí)的代表通過構(gòu)建多棵決策樹并投票或者取平均天然抗過擬合對(duì)異常值不敏感而且自帶特征重要性評(píng)估。在分子描述符這種噪聲較多的數(shù)據(jù)上隨機(jī)森林往往比單棵決策樹穩(wěn)定得多。SVM在小樣本高維場景下表現(xiàn)一直很穩(wěn)尤其配合RBF核函數(shù)能把非線性關(guān)系映射到高維空間去擬合。藥物篩選數(shù)據(jù)通常樣本量不大幾百到幾千個(gè)化合物SVM正好發(fā)揮優(yōu)勢。KNN的思路最簡單相似的結(jié)構(gòu)往往有相似的活性這個(gè)假設(shè)在化學(xué)空間里很多時(shí)候是成立的。但從實(shí)操角度看KNN對(duì)特征縮放非常敏感分子描述符量綱差異很大不標(biāo)準(zhǔn)化基本沒法用這也正好引出PCA。神經(jīng)網(wǎng)絡(luò)我們用的是MLP多層感知機(jī)。在小規(guī)模表格數(shù)據(jù)上只要數(shù)據(jù)量不太小、特征質(zhì)量高M(jìn)LP能擬合非常復(fù)雜的非線性關(guān)系。但它有個(gè)明顯缺點(diǎn)——可解釋性差參數(shù)也多調(diào)參成本高?;貧w模型這里主要指線性回歸和嶺回歸作為基線模型非常重要。先用簡單的線性模型跑一遍得到一個(gè)性能下限再去對(duì)比復(fù)雜模型有沒有真的帶來提升。如果隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)比嶺回歸沒高幾個(gè)點(diǎn)那就要反思特征工程或者數(shù)據(jù)質(zhì)量的問題而不是繼續(xù)往上堆模型復(fù)雜度。1.3 數(shù)據(jù)來源與格式設(shè)計(jì)數(shù)據(jù)方面ERα拮抗劑活性數(shù)據(jù)可以從ChEMBL數(shù)據(jù)庫下載篩選標(biāo)準(zhǔn)是human ERα、IC50類型數(shù)據(jù)刪掉重復(fù)項(xiàng)和異常值。ADMET數(shù)據(jù)可以從Tox21、AMES、以及一些公開的ADMET benchmark數(shù)據(jù)集獲取。格式上我用的是SDF文件加CSV標(biāo)簽文件的結(jié)構(gòu)。SDF存分子結(jié)構(gòu)CSV存pIC50或者ADMET標(biāo)簽兩邊的ID一一對(duì)應(yīng)。這樣設(shè)計(jì)的好處是換數(shù)據(jù)集時(shí)不用改代碼邏輯只要保證ID匹配就行。有一個(gè)特別容易忽略的點(diǎn)數(shù)據(jù)集劃分必須按分子骨架或者相似性來分而不是隨機(jī)分。藥物活性數(shù)據(jù)里經(jīng)常有大量結(jié)構(gòu)類似的類似物隨機(jī)劃分會(huì)導(dǎo)致訓(xùn)練集和測試集高度重疊模型性能虛高。我在實(shí)操中用了基于Bemis-Murcko骨架的ScaffoldSplit效果比隨機(jī)劃分要嚴(yán)謹(jǐn)?shù)枚唷3鯇W(xué)者容易忽略這個(gè)問題但發(fā)論文或者實(shí)際項(xiàng)目評(píng)估時(shí)這個(gè)細(xì)節(jié)很關(guān)鍵。2. 特征工程與PCA降維實(shí)戰(zhàn)2.1 分子描述符的計(jì)算與處理分子描述符是把化學(xué)結(jié)構(gòu)轉(zhuǎn)化成數(shù)值特征的核心手段。我這里用RDKit庫計(jì)算了大約200個(gè)2D描述符包括分子量、LogP、氫鍵供體受體數(shù)量、拓?fù)錁O性表面積、可旋轉(zhuǎn)鍵數(shù)、芳香環(huán)數(shù)等。為什么不用3D描述符因?yàn)?D描述符依賴分子構(gòu)象計(jì)算成本高而且構(gòu)象生成的不確定性會(huì)影響模型復(fù)現(xiàn)性。很多QSAR模型只用2D描述符就能達(dá)到很好的效果省時(shí)省力。拿到原始描述符后第一步是清洗。RDKit計(jì)算過程中部分分子可能返回NaN比如某些描述符對(duì)特定原子類型不支持。處理策略很簡單刪除缺失值占比超過5%的特征列剩余缺失值用中位數(shù)填充。這里不推薦用均值填充因?yàn)槊枋龇植纪瞧珣B(tài)的均值容易被極端值帶偏中位數(shù)更穩(wěn)健。第二步是去低方差特征。那些幾乎所有分子取值都一樣的描述符對(duì)模型區(qū)分沒有貢獻(xiàn)直接刪掉??梢杂梅讲铋撝捣ūA舴讲畲笥?.01的特征。第三步才是標(biāo)準(zhǔn)化。注意PCA和SVM、KNN這些基于距離的算法都要求特征在同一量綱下否則量級(jí)大的特征會(huì)主導(dǎo)距離計(jì)算。標(biāo)準(zhǔn)化用StandardScaler就行減去均值除以標(biāo)準(zhǔn)差。2.2 PCA降維的合理參數(shù)設(shè)置主成分分析本身不復(fù)雜就是把高維相關(guān)特征通過正交變換變成一組線性無關(guān)的主成分。但在分子描述符這個(gè)場景里PCA有兩個(gè)實(shí)際價(jià)值一是消除共線性分子描述符之間相關(guān)性普遍很高比如分子量和分子體積基本是正相關(guān)的二是壓縮維度200多個(gè)描述符降到50個(gè)主成分能保留95%以上方差同時(shí)讓SVM和KNN的距離計(jì)算更穩(wěn)定。我需要特別強(qiáng)調(diào)一點(diǎn)PCA必須放在特征縮放之后而且只能基于訓(xùn)練集擬合然后用訓(xùn)練集的變換參數(shù)去轉(zhuǎn)換測試集。這是數(shù)據(jù)泄漏問題里最常見的一條見過太多人先對(duì)全量數(shù)據(jù)做PCA再來劃分訓(xùn)練測試集結(jié)果測試集信息提前進(jìn)入了訓(xùn)練過程模型評(píng)估結(jié)果虛高得離譜。正確做法是放進(jìn)sklearn的Pipeline里統(tǒng)一管理。主成分?jǐn)?shù)量的選擇我建議用累計(jì)方差貢獻(xiàn)率來定。一般保留90%到95%的累計(jì)方差即可。比如這套數(shù)據(jù)里前48個(gè)主成分解釋了95.2%的方差那我直接用48維特征訓(xùn)練模型。不要盲目保留太多主成分后面那些主成分解釋方差極低基本是噪聲加進(jìn)去反而干擾模型。2.3 特征重要性與PCA的對(duì)比觀察做完P(guān)CA之后我還做了一個(gè)對(duì)照實(shí)驗(yàn)一組直接用原始200維描述符訓(xùn)練另一組用PCA降維后訓(xùn)練。結(jié)果挺有意思。隨機(jī)森林對(duì)降維不敏感甚至原始特征表現(xiàn)略好一點(diǎn)因?yàn)殡S機(jī)森林的特征子集選擇機(jī)制本身就能處理高維冗余特征。但SVM和KNN在降維后性能明顯提升尤其是在KNN上訓(xùn)練和推理時(shí)間也大幅下降。這說明PCA不是萬能的它的價(jià)值跟模型選擇強(qiáng)相關(guān)。樹模型不需要它距離模型很需要它。如果你想節(jié)省調(diào)參時(shí)間直接做一版降維后的數(shù)據(jù)跑全部模型至少能保證距離類模型不會(huì)因?yàn)榫S度災(zāi)難而崩掉。3. 五種模型核心原理與關(guān)鍵參數(shù)3.1 隨機(jī)森林在活性預(yù)測中的表現(xiàn)隨機(jī)森林的實(shí)現(xiàn)細(xì)節(jié)值得展開講。每棵樹在訓(xùn)練時(shí)用Bootstrap抽樣隨機(jī)取一部分樣本每個(gè)節(jié)點(diǎn)分裂時(shí)隨機(jī)選一部分特征尋找最優(yōu)分裂。這個(gè)“雙隨機(jī)”機(jī)制讓每棵樹都有差異最后取平均時(shí)方差大幅降低。實(shí)際操作里我重點(diǎn)調(diào)的是n_estimators和max_features。n_estimators從100開始增加觀察交叉驗(yàn)證分?jǐn)?shù)到300之后基本平臺(tái)期再增加只是浪費(fèi)計(jì)算時(shí)間。max_features默認(rèn)是sqrt(n_features)在降維后的48維特征上大概取7這個(gè)值我試過調(diào)大調(diào)小效果都略差于默認(rèn)。樣本不均衡問題在ADMET分類任務(wù)里很突出比如毒性陽性樣本可能只占10%。隨機(jī)森林的class_weight參數(shù)設(shè)成balanced能自動(dòng)調(diào)整權(quán)重讓少數(shù)類被更重視。這個(gè)參數(shù)在ERα回歸任務(wù)里用不上但ADMET分類必須要加。3.2 SVM的核函數(shù)選擇與小樣本優(yōu)勢SVM在這個(gè)項(xiàng)目里的定位是“精度擔(dān)當(dāng)”。藥物數(shù)據(jù)樣本量不大幾百個(gè)樣本在高維空間里線性不可分很常見RBF核函數(shù)能通過高斯映射把樣本投影到無窮維空間理論上可以處理任意復(fù)雜的決策邊界。但RBF核有兩個(gè)關(guān)鍵超參數(shù)C和gamma。C控制誤分類懲罰力度太大容易過擬合太小欠擬合。gamma控制徑向基函數(shù)的寬度gamma越大每個(gè)樣本的影響范圍越小決策邊界越復(fù)雜。我用了GridSearchCV網(wǎng)格搜索C在0.1到100范圍gamma在0.001到1范圍用5折交叉驗(yàn)證選組。一個(gè)小技巧SVM對(duì)數(shù)據(jù)尺度極敏感Pipeline里先StandardScaler再SVC這一步不做的話RBF核直接失效。另外SVM訓(xùn)練完成后沒有天然的概率輸出如果要概率值需要設(shè)置probabilityTrue但訓(xùn)練時(shí)間會(huì)變長這個(gè)代價(jià)在幾百樣本的規(guī)模下完全能接受。3.3 KNN的距離度量與標(biāo)準(zhǔn)化必要性KNN在藥物篩選里的作用經(jīng)常被低估。它雖然簡單但在某些局部化學(xué)空間里預(yù)測效果出奇地好。核心假設(shè)是化學(xué)相似性原理——結(jié)構(gòu)相似的化合物活性也相似。實(shí)際操作中K值的選擇比較關(guān)鍵。K太小模型過度依賴最近鄰噪聲影響大K太大會(huì)把距離很遠(yuǎn)的樣本也納入投票整體趨于平均。我用交叉驗(yàn)證從K3到K15逐個(gè)測試發(fā)現(xiàn)K7在這個(gè)數(shù)據(jù)集上是折中點(diǎn)。距離度量選的是歐氏距離配合標(biāo)準(zhǔn)化后的特征。為什么不用曼哈頓距離或者余弦相似度因?yàn)闃?biāo)準(zhǔn)化后歐氏距離能較好地反映高維空間中的真實(shí)差異曼哈頓距離在高維下區(qū)分度會(huì)變差。weights參數(shù)我設(shè)成了distance即距離近的樣本權(quán)重更大這樣比均勻權(quán)重略好。3.4 回歸模型家族與基線設(shè)定回歸部分我選了三種線性回歸、嶺回歸、Lasso回歸。線性回歸是最樸素的基線嶺回歸加了L2正則化Lasso加了L1正則化后者還能做特征選擇。嶺回歸的alpha參數(shù)控制正則化強(qiáng)度。alpha越大模型系數(shù)越被壓縮向零方差減小但偏差增大。通過交叉驗(yàn)證這個(gè)數(shù)據(jù)集上alpha1.0周圍表現(xiàn)不錯(cuò)。Lasso的alpha適當(dāng)調(diào)大后很多特征的系數(shù)直接變成零相當(dāng)于自動(dòng)做了特征篩選解釋性更強(qiáng)。這里必須強(qiáng)調(diào)基線模型的價(jià)值。我用嶺回歸跑出來的R2大概在0.61隨機(jī)森林能到0.78SVM到0.75這說明復(fù)雜的非線性模型確實(shí)學(xué)到了更多結(jié)構(gòu)活性關(guān)系。如果是那種所有復(fù)雜模型跟線性回歸持平的項(xiàng)目大概率是特征工程有問題或者數(shù)據(jù)本身線性關(guān)系已經(jīng)很強(qiáng)沒必要費(fèi)勁上深度學(xué)習(xí)。3.5 神經(jīng)網(wǎng)絡(luò)MLP的架構(gòu)設(shè)計(jì)與防過擬合MLP的架構(gòu)我設(shè)計(jì)得比較克制輸入層48維PCA降維后一個(gè)隱藏層128個(gè)神經(jīng)元激活函數(shù)ReLU輸出層1個(gè)神經(jīng)元預(yù)測pIC50。為什么只有一個(gè)隱藏層因?yàn)樵谛颖緮?shù)據(jù)上網(wǎng)絡(luò)太深很容易過擬合一層隱藏層加足夠的神經(jīng)元已經(jīng)能逼近任意連續(xù)函數(shù)。訓(xùn)練時(shí)batch_size設(shè)為32優(yōu)化器Adam學(xué)習(xí)率0.001loss用MSE。關(guān)鍵步驟是EarlyStopping——監(jiān)控驗(yàn)證集loss連續(xù)20個(gè)epoch沒有改善就停下并且恢復(fù)最佳權(quán)重。這套機(jī)制比固定epoch數(shù)訓(xùn)練好用得多能自動(dòng)找到合適的訓(xùn)練輪數(shù)。MLP在表格數(shù)據(jù)上還有個(gè)隱藏問題特征尺度不一致時(shí)收斂很慢。雖然PCA前的標(biāo)準(zhǔn)化已經(jīng)處理過但最好確認(rèn)一下PCA后各主成分的值域。另外神經(jīng)元數(shù)量也不是越多越好我試過256個(gè)神經(jīng)元驗(yàn)證集分?jǐn)?shù)反而略降這就是過擬合的信號(hào)。4. 實(shí)操過程與核心代碼實(shí)現(xiàn)4.1 數(shù)據(jù)加載與劃分策略整個(gè)項(xiàng)目的代碼基于Python 3.9和scikit-learn 1.2版本。數(shù)據(jù)加載、特征計(jì)算、模型訓(xùn)練和評(píng)估的完整代碼我整理好了這里按關(guān)鍵環(huán)節(jié)拆解說明。數(shù)據(jù)加載用的是pandas讀取CSV分子描述符計(jì)算用RDKit。下面是核心代碼片段import pandas as pd import numpy as np from rdkit import Chem from rdkit.Chem import Descriptors from rdkit.Chem import Draw df pd.read_csv(er_activity.csv) molecules [Chem.MolFromSmiles(smi) for smi in df[SMILES]] desc_names [desc[0] for desc in Descriptors._descList] desc_funcs [desc[1] for desc in Descriptors._descList] desc_data [] valid_idx [] for i, mol in enumerate(molecules): if mol is None: continue try: desc_values [func(mol) for func in desc_funcs] desc_data.append(desc_values) valid_idx.append(i) except: continue df_desc pd.DataFrame(desc_data, columnsdesc_names) df_desc[pIC50] df.iloc[valid_idx][pIC50].values這里有個(gè)坑RDKit的計(jì)算有些函數(shù)會(huì)對(duì)特定分子拋異常比如含金屬原子的配體。所以必須用try-except包裹把計(jì)算失敗的分子剔除掉否則整個(gè)流程會(huì)中斷。數(shù)據(jù)劃分用ScaffoldSplit按骨架劃分保證訓(xùn)練集和測試集的結(jié)構(gòu)差異性from sklearn.model_selection import train_test_split from rdkit.Chem.Scaffolds import MurckoScaffold scaffolds [] for smi in df_desc[SMILES]: mol Chem.MolFromSmiles(smi) scaffold MurckoScaffold.MurckoScaffoldSmiles(molmol) scaffolds.append(scaffold) from sklearn.model_selection import GroupShuffleSplit gss GroupShuffleSplit(n_splits1, test_size0.2, random_state42) train_idx, test_idx next(gss.split(df_desc, groupsscaffolds)) train_df df_desc.iloc[train_idx] test_df df_desc.iloc[test_idx]ScaffoldSplit做的是按骨架分組后分組切分確保同一骨架的分子不會(huì)同時(shí)出現(xiàn)在訓(xùn)練集和測試集里。這在評(píng)估模型對(duì)新化學(xué)骨架的泛化能力時(shí)比隨機(jī)劃分靠譜得多。4.2 PCA與Pipeline的整合特征縮放和PCA放進(jìn)Pipeline里管理這一步的核心邏輯是確保交叉驗(yàn)證時(shí)每個(gè)fold都獨(dú)立做縮放和降維絕不使用測試集信息。from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA from sklearn.ensemble import RandomForestRegressor from sklearn.svm import SVR from sklearn.neighbors import KNeighborsRegressor from sklearn.linear_model import Ridge from sklearn.neural_network import MLPRegressor from sklearn.metrics import r2_score, mean_absolute_error pipeline_svm Pipeline([ (scaler, StandardScaler()), (pca, PCA(n_components0.95)), (svm, SVR(kernelrbf, C10, gamma0.01, probabilityTrue)) ])n_components0.95這種寫法是讓PCA自動(dòng)保留95%的累計(jì)方差比寫死一個(gè)整數(shù)更靈活。如果數(shù)據(jù)集換了一批分子描述符的方差分布會(huì)變固定寫48反而可能不合適。4.3 模型訓(xùn)練與交叉驗(yàn)證評(píng)估訓(xùn)練和評(píng)估我統(tǒng)一了流程每個(gè)模型跑5折交叉驗(yàn)證用R2和MAE做評(píng)估指標(biāo)。在回歸任務(wù)里R2衡量模型解釋的方差比例MAE則給出預(yù)測值跟真實(shí)值之間的平均絕對(duì)誤差兩者結(jié)合看比較全面。from sklearn.model_selection import cross_validate scoring {r2: r2, neg_mae: neg_mean_absolute_error} results {} models { Ridge: pipeline_ridge, RandomForest: pipeline_rf, SVM: pipeline_svm, KNN: pipeline_knn, MLP: pipeline_mlp } for name, model in models.items(): cv_results cross_validate(model, train_df.drop([SMILES, pIC50], axis1), train_df[pIC50], cv5, scoringscoring) results[name] { R2_mean: cv_results[test_r2].mean(), R2_std: cv_results[test_r2].std(), MAE_mean: -cv_results[test_neg_mae].mean() }交叉驗(yàn)證的5個(gè)fold里每個(gè)fold的R2可能相差挺大這在小樣本數(shù)據(jù)里太正常了。所以看結(jié)果時(shí)不能只看均值還得看標(biāo)準(zhǔn)差。如果標(biāo)準(zhǔn)差特別大說明模型對(duì)數(shù)據(jù)劃分很敏感需要檢查是否存在某些骨架的分子特別難預(yù)測。最后在獨(dú)立測試集上做一次最終評(píng)估。測試集不參與任何訓(xùn)練和調(diào)參這一步得到的R2才是真正能對(duì)外匯報(bào)的泛化性能。final_scores {} for name, model in models.items(): model.fit(train_df.drop([SMILES, pIC50], axis1), train_df[pIC50]) pred model.predict(test_df.drop([SMILES, pIC50], axis1)) final_scores[name] { R2: r2_score(test_df[pIC50], pred), MAE: mean_absolute_error(test_df[pIC50], pred) }4.4 ADMET多任務(wù)預(yù)測的特殊處理ADMET預(yù)測跟ERα回歸不太一樣的地方在于它通常是分類任務(wù)。以血腦屏障穿透預(yù)測為例標(biāo)簽只有0和1。此時(shí)評(píng)估指標(biāo)從R2換成AUC和準(zhǔn)確率。分類模型的訓(xùn)練代碼跟回歸高度相似只是把SVR換成SVCMLPRegressor換成MLPClassifier評(píng)估函數(shù)換成roc_auc_score。有一個(gè)小細(xì)節(jié)ADMET數(shù)據(jù)通常正負(fù)樣本不均衡單純用準(zhǔn)確率容易騙人——比如90%的樣本是負(fù)類模型全部預(yù)測為負(fù)類也能拿到90%準(zhǔn)確率。所以必須用AUC作為主指標(biāo)。對(duì)于多個(gè)ADMET端點(diǎn)我建議分別訓(xùn)練模型而不是合并成一個(gè)多標(biāo)簽?zāi)P?。因?yàn)椴煌它c(diǎn)的最優(yōu)特征和模型可能不同合并后反而互相干擾。實(shí)際操作時(shí)寫一個(gè)循環(huán)每個(gè)端點(diǎn)單獨(dú)訓(xùn)練和評(píng)估最后匯總成一張性能表。5. 常見問題與排查技巧實(shí)錄5.1 描述符計(jì)算報(bào)錯(cuò)與缺失值處理跑RDKit描述符時(shí)最容易遇到的是部分分子返回NaN。這可能是分子包含特殊原子類型或者某個(gè)描述符定義里出現(xiàn)了除以零的情況。處理邏輯分兩步先刪列再填行。具體來說如果某列缺失值占比超過5%整列刪除因?yàn)槿笔嗾f明這個(gè)描述符對(duì)很多分子不適用保留反而引入噪聲。剩余列的缺失值用中位數(shù)填充注意填充必須只基于訓(xùn)練集統(tǒng)計(jì)量再應(yīng)用到測試集否則又是數(shù)據(jù)泄漏。還有一類問題是SMILES格式本身不合法。RDKit的MolFromSmiles解析不出來會(huì)返回None這種情況直接剔掉該分子。如果剔除的比例超過10%那要回頭檢查SMILES的來源是否可靠。5.2 數(shù)據(jù)泄漏的典型場景與規(guī)避數(shù)據(jù)泄漏是分子建模里最常見又最難察覺的問題。我總結(jié)出三個(gè)高發(fā)場景。第一個(gè)是特征縮放發(fā)生在劃分之前相當(dāng)于用全量數(shù)據(jù)的均值和標(biāo)準(zhǔn)差來縮放訓(xùn)練集測試集的信息其實(shí)參與了縮放過程。解決方法是把縮放器放進(jìn)Pipeline里。第二個(gè)是PCA擬合在全量數(shù)據(jù)上。PCA的本質(zhì)是尋找方差最大的方向全量數(shù)據(jù)算出來的主成分方向已經(jīng)包含了測試集的信息。這個(gè)問題的嚴(yán)重性比特征縮放更大因?yàn)镻CA是線性變換測試集的投影方向被訓(xùn)練過程偷看了。第三個(gè)是相同分子出現(xiàn)在訓(xùn)練集和測試集里。很多公開數(shù)據(jù)集本身可能含有重復(fù)結(jié)構(gòu)不洗掉直接用隨機(jī)劃分同一分子的不同條目會(huì)同時(shí)出現(xiàn)在兩邊模型等于記住答案。解決方法是先做去重再用骨架劃分。5.3 過擬合信號(hào)與應(yīng)對(duì)策略小樣本建模里過擬合是頭號(hào)敵人。典型信號(hào)是訓(xùn)練集R2接近1而測試集R2掉到0.5以下中間gap越大越危險(xiǎn)。應(yīng)對(duì)策略按優(yōu)先級(jí)排序先加正則化參數(shù)嶺回歸的alpha、SVM的C值調(diào)低、神經(jīng)網(wǎng)絡(luò)的早停和Dropout再做特征篩選或PCA降維減少冗余輸入最后考慮數(shù)據(jù)增強(qiáng)對(duì)分子結(jié)構(gòu)做微小的合理擾動(dòng)比如添加或刪除一個(gè)甲基。還有一種情況是數(shù)據(jù)量太少模型本身沒有任何辦法泛化。這種情況建議降低模型復(fù)雜度直接用線性模型或者KNN而不是執(zhí)著于隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)。5.4 模型性能瓶頸的判斷思路當(dāng)所有模型的性能都上不去時(shí)大多數(shù)人第一反應(yīng)是換更復(fù)雜的模型但我覺得應(yīng)該先檢查數(shù)據(jù)和標(biāo)簽。檢查標(biāo)簽分布。如果pIC50值集中在很窄的區(qū)間里比如6到7之間那么不管什么模型都很難得到高R2。因?yàn)槟繕?biāo)的方差本身就小模型提高R2的空間有限。這時(shí)候與其換模型不如檢查生物活性數(shù)據(jù)的質(zhì)量或者擴(kuò)大數(shù)據(jù)范圍涵蓋更多活性梯度。檢查特征信息量。如果只用2D描述符等于丟棄了立體化學(xué)信息。對(duì)某些靶點(diǎn)手性對(duì)活性影響巨大這時(shí)候考慮加入手性描述符或者3D描述符可能更有效。檢查相似性假設(shè)是否成立。如果同一個(gè)靶點(diǎn)的活性數(shù)據(jù)來自多種不同實(shí)驗(yàn)體系比如不同實(shí)驗(yàn)室的測定條件差異數(shù)據(jù)的噪聲會(huì)非常大單靠模型無法消化。這種情況需要做數(shù)據(jù)清洗或者加一個(gè)實(shí)驗(yàn)來源作為輔助分類特征?;仡^看看這套流程我對(duì)“先有數(shù)據(jù)質(zhì)量后有模型性能”這句話的體會(huì)又深了一層。模型選型固然重要但在藥物數(shù)據(jù)這種小樣本高噪聲的場景里特征工程的嚴(yán)謹(jǐn)程度和數(shù)據(jù)劃分的合理性往往比模型復(fù)雜度的提升帶來更多收益。PCA和標(biāo)準(zhǔn)化放在Pipeline里管理骨架劃分避免信息泄漏早期用嶺回歸建立基線這幾步看著不起眼但決定了整個(gè)項(xiàng)目的可信度。如果有人上手做類似任務(wù)我建議先跑通這條經(jīng)典路徑拿到靠譜的基線再去嘗試圖神經(jīng)網(wǎng)絡(luò)或者注意力機(jī)制否則很容易被數(shù)據(jù)里的假象帶偏。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
99久热精品99re6热| 毛片电影一区二区三区| 日本九九久久99播| 国产精品久久久久久久久久久久久久| 日韩欧美中文| 久久精品72| 久久69| a级理论午夜日本| 天天摸夜夜操视频| 999岛国大片| 麻豆成人av| 婷婷色色五月天福利| 婷婷丁香五月综合| 久久熟女嫩草成人片免费| 成人av福利在线观看| 亚洲色吧网| 亚洲色婷婷综合久久一区二区三区| 国产精品嫩草久久久久| 日韩中字av一区| 夜夜影视四色| 久久女婷| 岛国天天午夜影院传媒网| 伊人天天久久动态图| 亚洲天堂热| 色99久草| 色婷婷色99国产综合精品| 人妻少妇久久| 超碰av人人人| 97av在线观看| 好湿好紧好爽 视频| 久久亚洲AV无码白度| 女优免费一区二区永久| 变态综合色| 国产中文字幕曰本毛片| 丝袜翘臀后入欧美校园亚洲自拍另类小说一区中文字幕少妇诱惑 | 999久久芭蕾| 激情综合网五月婷婷五月天| 本道在线| 韩日欧亚a级| 2018色综合天天操| 久久啊啊| 福利天堂| 久久久夜夜嗨免费视频| 插插综合网天天影视网| 天天摸,夜夜摸| 九九草| 欧美黑人猛交春色影视大全| 国产91精品在线免费| 色婷婷蜜臀av| 全免费a敌肛交毛片免费| 精品人妻视频一区二区在线播放| 日本色色网| 青草精品视频-日本久久久久网站| 操操啪| 综合熟妇一区二区三区| 国产在线精品偷| 欧美 亚洲 在线| 中文字幕艹艹| 370p日韩欧美亚洲精品| 99精品高潮| 色五月激情综合网| 国产区91柔拿会所技师| 97超碰9| 精品99999久久久久久| 亚洲最新Av| 久久熟女人| 中文人妻av高清一区| 国产天天噜一噜久久久| 麻豆久久视频在线地址| 99久久婷婷国产综合精品草原| 精品福利| 91插B网站| 中文字幕加勒比海高清无码免费视频| 欧美三级中文字幕hd| 国产精品午夜福利| 国产AV天美| 国产欧美亚洲精品a第2页| 九九九九九九九九九九九蜜桃| 日本综合久久| 秋霞一级A片黄色视频| 97超碰公开| 欧美性色综合网| 九九性爱网| 98人妻精品一区二区色欲| 亚洲三级网址久久最新| 色久桃花影院在线观看| 欧美一二三| 香蕉色网| 久久熟女人| 搞中出久久| 性一级黄色录像片网站导航 | 狠狠色色| 草草影院最新网址| av在线播放国产一区| 亚洲精品人伦一区二区| 色av中文字幕| 欧美|91色综合| 國產尤物AV尤物在線觀看| 试看日韩黄片| 大香蕉视频啪啪啪啪| 怡红院成人av| 歐美一級亂黃99在綫精品| 久久久免费一级黄片| A级国产欧美激情在线| 人人操人人操人妻人| 日韩噜噜69| 天天综和| 91是天天| 亚码激情| 美女黄页| 国产精品久久久蜜臀| 亚洲中文字幕av| 岛国片在线视频网站| 91欧美网| 亚洲在饯| 麻豆 美女 丝袜 人妻 中文| 中国韩国明星一极片一区乱码毛片人妻熟女一区二区三区 | 亚洲美腿丝袜香蕉影视欧美成人| 国产成人天堂| 亚洲免费精品一区| 一区二区三区男女操逼黄色小电影| 91九色网| 成人看片网站| 色婷婷六月| 欧美国产日韩高清在线| 中文字幕日本久久| 欧美麻豆成人同性GⅤ在线| 国产一区二区三区高清视频| 啊啊啊啊啊在线| 激情综合 婷婷五月 红杏 | 久久久久久久久久久久久女过产乱-少妇高潮一区二区三区喷水-成人AV | 久久夜夜| 国产一区二区在线播放量| 午夜成人爽爽爽爽A片李冰冰| 欧美色图第一页| 久久精品超碰| 亚洲黑人在线| 亚洲春色欧美激情自拍| 亚洲精品国产日韩无码AV永久免| 欧美,日韩综合久久| 青青青国产手线观看视频2| 久久性爱视频免费看| 91肉丝| 探花精品 一区二区| 青青草华人在线欧美在线| 人妻色情天天操| 亚洲加勒比色图| 精品美女少妇一区二区| 99re欧美| 国产区日韩区在线观看| 久久久精品91八戒| 秋霞无码av鲁丝片一区| 日本午夜精品理论片A级APP发布| 超碰人人干| 丁香激情网| 花野真衣| 亚洲永久AV无码精品秋霞| 牛牛久久国产精品视频一二三| 久久久com| 人人操天天爽| 东京热熟女亚洲视频网站| 亚洲人码13| 91白虎| 亚洲天堂男人天堂网| 国产精品成久久久久午夜午夜| 内射夫妻三片| 国产自偷自拍一区| 91是天天| 丰满丝袜少妇AV| 欧美se综合| 秋霞色色影院| 岛国色情视频在线观看| 婷婷精品视频| 330Dv国产女人终合视频极品人与兽| 九九九影院| 日本不卡免费二区| 成人羞羞视频国产| 国产久久av| 强奸乱伦大香蕉网| 色婷婷aV一区二区三区麻豆综合| 天美传媒精品一区二区三区| 亚洲无码 国产无码| 欧美黑人精品在线播放| 亚洲欧洲偷拍一区| 伊人96在线| 五月婷婷六月天| 五月天亚洲色图| 操逼视频色| 18禁美女裸体无遮挡啪啪| 青青草天天亲夜夜操网| 男人干美女| 限制级中的三级片中的黑粗大屌屌日人妻熟女 | 蜜乳成人AV| 爽 好舒服 无码刺激久久| 婷婷激情五月| 少妇色综合| 四虎在线观看视频| 久草免费在线一区二区| 91肏屄网| 精品人妻15区| av在线播放国产一区| 狠狠综合网| 艳尻美人妻| 欧洲精品二区| 亚洲少妇中文字幕网址| 久热久| 国产精品一区二区a| 丁香九月激情| 夜夜免费视频| 日韩操逼HD| 久操综合在线| 尤物视频视频官网| 欧美后进式| 99热这里只有精品1| 黄色不卡视频| 欧美激情综合| 美女诱惑爱爱| 精品免费囯产一区二区三区| WWW啪啪的com| 亚洲熟妇丝袜在线观看| 9久久精品| 黄片无码在线制服| 蜜桃臀一区二区三区久久| 久久久久久久强迫| 人人色人人射人人妻| 欧美 色 亚洲| 狠狠综合网| 欧美青青草视频| 亚洲综合第一页| 丝袜美腿欧美| 精品无码一区二区| 国产免费黄色一级大片| 久极品在线观看| 首页亚洲国产高跟丝袜诱惑视频| 伊人久久大香大香线蕉中文| 日本媚薬中文字幕在线| 国产日本久久免费精品| 日韩国产成人自拍视频| 97伪v| 91人人| 人、人、摸,人、人、草| 中文字幕女同在线| 69av一区二区三区| 伊人玖玖网| 内射小黄片| 天天享受天天看| a级免费在线观看| 天天摸夜夜摸| 免费观看国产不卡av| wwe 天天干.com| 内射老妇BBWX0C0CK| 97人人干| 老熟女综合网| 神马午夜久久| 人妻在线臀日韩| 日韩成人私密一级精品av| 免費人妻夜夜爽天天爽爽一区| 九九九久久久| 在线视频五十市| 黄色av网站在线播放| 97欧美日韩中文| 成人性爱视频在线看| 久久久九精品| 六月婷婷色综合| 欧美性夜| 久久99热这里只频精品6学生| 91精品导航| 草草影院在线视频| 久久久久9999精品九九九| 亚州免费啪啪视频| 999热日韩精品| 殴美牲| 日韩综合97P| 色哟哟511老熟女| 997色在线| 宗合情欲网| 日韩无码操逼片| 亚洲欧美91√| 欧美色五月| 超碰美国| 日本新免费二区三区| 白嫩国模丰满一二三区| 超碰97亚洲| 一区二区视频你懂的| 亚洲欧美日韩精品久久久一区二区| 色哟哟av| 99re8超碰| 国产色呦呦| 好属操| 久久久久亚洲一区女同性恋中文字幕| 免费一级视频特黄色大片| 天堂九九九九九九九九九| 欧在线一二区| 亚州大图综合色图| 色月天AV导航| 国产激情片在线观看| 97香蕉网| 伊人久大| 欧美 牲| 婷婷五月天成人网| 777AV电影| 超碰色97| 中文熟女五十乱码在线| 和协无码影院| 狠狠干婷婷| WWW啪啪的com| 精品人妻一区二区免费蜜桃视频| 校园春色欧美| 91精品人妻一区二区-全集完整版免费正片国语-B02AV | 国产第二页| 夜夜一区二区| 欧美日韩性爱视屏免费看了| wwwxxx日本爽| 国产色图乱伦| 一级AAA片一区二区三区| 亚洲丝袜色| 国产精品探花视频| 強姦亂倫a| 欧美日本不卡在线| 天欧美在线| 操香逼| 日本三级中国三级99人妇网站| 一本久道在线综合视频| 欧美性爱精品七区| 熟女精品日韩一区二区三区| 国产风韵犹存熟妇三区| 超碰综合色| 一区久久久二区| 五月天激情综合网| 天天日天天爽| 午夜福利成人免费视频| 亚洲一区二区三区四区视频| 日韩中文字幕国产| 91露脸熟女专区| 欧美99999| 97超碰欧美精品| 久欲AV| 天堂网 主播 亚洲| 97干com| 综合网欧美在线| 日本午夜久久电影| 国产一区二区三区精品观看啪| 岛国视频一二三区| 国产Av超碰| 不卡中文字幕aⅴ在线| 懂色Av| 欧美日韩97| 天天综合-91入口| yazhouzaixian| 国产一区二区久久| 91男人天堂网| 欧亚日韩综合精品国产| 天天草AV| 亚洲日韩狠狠撸视频| 中文字幕精品亚洲熟女| 一本一道久久综合久久| 久久99久久99精品天美传媒棢·纸:.| 91色色综合| 夜夜久久| 裸体美女久久久| 91丝袜熟女| 日影院久久婷婷夜夜网| 在线观看 99热| 91精品免费| 色婷婷久久综合超碰| 欧美韩国你懂得在线| 夜夜国产一区| 97超碰免费人人性爱| 美腿丝袜高跟网免费视频免费视频| 粘花网06av视频| 日逼五月天| 久草男人天堂| 无马一区二区| 亚洲无码精品AV久久久| 9丨亚洲一区二区在线| 少妇一级婬片免费放一级a性色.| 333kkkk·亚洲com久久| 亚洲国产欧美中日韩成人综合视频| 亚洲色图亚洲无码强奸乱伦| 国模精品一区二区三区苹果色戒| 男人天堂一区二区| 亚洲国产一级中文综合久久天堂在线免费观看 | 香蕉视频欧美一卡二卡| 欧美A片中文字幕| 国产精品毛片?v一区二区三区| 亚洲成人日韩小说| 久热久| 96精品在线| 91jk色拍| 日本高清一本二本免费不卡| 女生久久网| 综合影院永久入口国产| 黄色AAAAA欧美| 午夜天堂啪啪| 黑人与人妻| 亚洲清纯综合| 久综合国内精品自在自线| 美中日韩无码| 亚洲综合网电影91| 中文字幕片| 久久久久久波多野吉衣高潮| 人妻丰满熟妇av无码区蜜桃| 91久久青青草原精品| 精品人妻一区二区视频| 日韩啪啪网| 混色激情av| 精品一区二区三区四区外站| 色噜噜人妻av中文字幕| 美女天天干| 无码高清国产AV| www久| 久操 高清| 亚洲干B| 亚洲一区二区三区婷婷| 色嗨嗨在线| 91人妻丝袜无码| 蜜桃狠狠色伊人亚洲综合 | 国产一区二区免费福利片| 国产精品久久成人免费| 97爱爱影院| 国产路线专区| 韩国一级做A片免费的| 色 婷97| 久久人妻一区二区三区高清 | yiqicaoav| 亚洲成人av电影在线| 亚 欧 美 综合| 亚洲情色综合网| 国产高清亚洲日韩一区| 九九人人操| 草伊人高潮喷水超碰| 久久久久久加勒比| 欧美成人一级免费电影| 中文字幕版| 天天综合网~91| 91在线超高颜值国产| 欧美第一页性| 久久人妻熟女一区二区| 欧美日韩中文亚洲v在线综合| 国产亚洲精品自在线亚洲情侣| 中文字幕人妻色偷偷久久皮| AⅤ片水多多| 大香蕉碰碰| 搡老女人老91妇女熟女| 国产女同视频在线播放| 2025亚洲男人天堂| juliaann欧美丝袜办公室| 国产白嫩漂亮KTV在线| 亚洲最大的黄色电影网站。| 久草新在线| 亚洲五月婷| 国产精品亚洲日韩骚欢乐谷最新地址发布页huanieguty性屋娱乐妖精视频 | 久久精品六区| 一区三区啪啪| 国产熟女自拍| 亚洲无线码一区国产欧美国| KK色在线影院| 综合影视国产无码| 亚洲Av无码成人精品国产| 五月天色电影| 大学生口爆吞精| 97超碰热线| 囯戸精品高潮呻吟旡码| 中文字幕人妻色偷偷久久皮| 亚洲春色欧美激情自拍| 国产十八禁视频| 天天日天天搞天天干| 日韩 欧美 校园一区| 日韩一级性爱无码| 中文幕97| 黑人白女精品一区| 成人在线午夜视频一区| 91精品啪在线观看国产城中村| 日日日大屁股骚女人精品| 亚洲精品人妻在线| 亚洲天堂日本| 91小视频| 欧美综合色,www| 日日夜夜天天| 蜜乳AV免费观看| 久操大香蕉超碰碰碰碰碰碰碰碰碰碰碰碰碰碰碰碰碰碰碰碰碰碰碰碰碰碰碰碰碰碰 | 精品一二三区女同 | 久久五月份| 97chaopengongkai| 日韩少妇丰满亚洲| xxx0国产在线播放| 狠狠97| 麻豆性爱视频在线播放| 97日韩超碰超碰中文字幕| 蜜臀AV网站| 亚洲风情在线观看| 精品久久久久久AV无码| 亚洲在高跟鞋自慰久久在色线| 操逼免费视频无码国产| 日本高清视频在线观看黄已三辽| 91黑丝露脚| 国产在线综合网| 欧美国产有色电影| 91九色首页| 99热| 国产乱码久久久久久| 99热精品在线播放| 手机看片91人妻| 日韩精品三级片长长久久| 欧美v亚洲v日韩v最新在线二区| 欧美激情1区| 看黑丝美女操逼青青网站| 91精品人妻电影| 99re免费| 国产风韵犹存熟妇三区| 久操视频免费在线观看| 天天色综亚洲91污| 日韩免费中文字幕视频| 中文字幕第95页| 国产精品久久9| 在线v中文字幕一区二区三区 | 99综合视频| 亚洲av青草久久一区二区| 婷婷五月天无码| 无码9区| 国产欧美日本亚洲精品| 欧美激情内射| 欧美91丝袜| 搡老女人老妇女老妇老熟女怎么读| 久久精品国产亚洲AV高级北京| 日韩大香蕉| 99热大香蕉伊在线| 天天日日日射| 久久黄色网址| 亚洲欧美经典一区二区| 二男一女成人A片| 超碰成人人人爽人人爽| 欧洲站一级二级三级h| 成人综合网 欧美| 日本高清一区二区在线| 亚一综合久久久久久久久久| 久久久新亚洲AV| 久久久涩| 亚洲久草AV色图| 国产肏屁眼视频| 2011国产精品| 久久久一级| 亚洲精品精品一区二区| 神马久久久久久伦理片| 久久久久久久强迫| 午夜性刺激视频免费观看| 啊啊啊 在线| 91欧美综合在线| 国产精品高潮久久AV| 嗯嗯嗯啊啊啊在线免费观看| 91狠狠色丁香婷婷综合久久精品| 粉嫩在线一区二区懂色| 亚洲国产奇米影视久久| 无码精品久久| 欧美福利视频啊啊啊啊| 日本人妻丰满熟妇久久久久久| 欧美情色亚洲| 国产国产亚洲一二三久久| 中文字幕精品亚洲熟女| 99re在线视频| 天美传媒av一区二区| 亚洲影院小综合| 综合 青草 伊久久 影院 综合 | 天天综合~91入口| 99精品在线| 国产精品久久久久av| 无码日韩网站| 色色色色网站| 综合色图区| 国产这里只有精品| 亚洲色图大香| 欧美久久九九| 伊人影院在线理论播放| 综合干干干av久久久综合网 | 91在线限制级| 78久久久| 九七毛片九九毛片| 东京热伊久| 青青草大香蕉视频| 99re视频这里只有精品| 91操熟女| 亚洲国产精品无码AV久久久| 国产乱色国产精品免费视| 18禁美女裸体无遮挡啪啪| 日韩亚洲中文字幕在线| 大香蕉免费乱伦视频| 亚洲精品人妻吞精av| 色婷婷av在线观看| 91天天日| 和协影院中文字幕三区| 91亚洲狠狠色| 欧美天天综合网版| 人人摸人人入| 萌白酱自拍视频| 亚洲综合精品国产一区| 婷婷色中文字幕| 欧美精品人妻视频| 97这里都是精品| 久久精品中文| www.男人的天堂| 97久久网| 自拍视频一区在线观看| 五月天激情四射| 婷婷情色综合网| 日日A∨| 小电影欧美91| 亚洲人妻在线精品| 天天色天天干天天射| 高清无码国产亚洲| 日本一二区免费| 嗯嗯啊啊好大好爽| 精品久久久一本一道| 女人久久久| 91午夜无码| 日韩欧美一级特黄大片| 亚洲有薄码区日本系列中文字幕| 狠综合网| 日日躁夜夜躁狠狠躁超爽| 99久国产精品午夜性色福利| 性色av婷婷久久一区二区点复制| 日本 成 人 小说 电影 一区二区| 亚洲免费97免费| 人妻蜜桃臀| 欧美日韩国产成人高清| JULIA一区二区三区在线播放| 欧美日韩情色一区二区| 97超碰中文| 久久久久久久强迫| 亚洲经典啪啪| 亚洲欧美setu| 91精品老女人| 国产综合永久精品日韩鬼片| 99999久久久久9国产精品| 亚洲熟女少妇免费视频| 天天影视色香欲综合网小说| 簧片免费看视频| 四虎884a| 欧美亚洲激情| 成人性爱电影网| 伊人久久大香线蕉亚洲五月天,青草青草欧美日本一区二区,欧美日产欧美日产国产 | 天天干天天干天天| 丝袜狂射91| 国产操逼网站亚洲一级黄色| 另类专区在线观看| 东北操逼| 欧美成人性爱视频在线播放| 中文字幕成人| 久久人妻一区二区三区高清| 日韩av电影成人在线| 五月丁香综合网| 人人妻天天做天天爽| 久久国产在线一区二区| 色综合天天| 日日骚av| 3D污黄视频在线观看| 精品国产72| 黄片免费日韩| 久久色人体| 亚洲做性| 丰满的三级少妇欧美久久久| 黄色片G G G| 影音先锋日本一区二区| 桃色六月天| 丰满人妻区一区二区三| 五月综合色| 亚洲男人在线观看天堂| 在免费jIzzjIzz在线视频| 亚洲国产一区二区三区在线| 久热一区二区| 狠狠中文字幕| 超碰4A| 熟女六十路| 男女性扦B| 一级特级aaaa毛片免费观看 | 热的中文 热的有码 热的国产| 18禁在线视频| 天天综合有色网| 午夜啪| 97激情97激情| 亚洲人成网站7777| 97干色天堂| 日韩三级在线观看网站| 天天日日日射| 欧美18 在线观看| 久久国产视频专区一二三| 精品九九九九九| 91人妻丝袜无码| 精品人妻一区二区三区在| 欧美久久九九| 一区二区三区免费视频入口| 狠狠搞 亚洲91| 岛国福利在线精品播放| 密臀视频一区二区三区| 天天综合网日韩7799| 欧美一二级| 国产精品久久成人免费| 97 国产精品| 日本在线一二 | 91在线美女| 国产精品久久久久久久无码AV| 精品国产一区二区三区久久久蜜臀| 少妇厨房愉情理伦片bd在线观看| 欧美白嫩在线放| 日韩一区二区高清在线观看的| 亚洲电影91| 免费观看国产小粉嫩喷水精品午| 大香蕉碰碰| 欧美日韩在线视频网站| 久久久久ab| 福利伊人玖玖国产| 欧美色91| 岛国小电影| 伦伦成年午夜免费视频| 大香蕉日韩欧美| 国内毛片无码一级毛片| 亚洲加勒比| SS久久| 日韩精品永久在线观看| 大香蕉伊人75| 伊人色综合超碰| 极品尤物女神在线观看| 亚洲欧美综合图片| 天堂av2019| 欧美人人曰人人操人人射射 | 2017天天透天天通天天擦| 爱我干综合| 男啪女色黄无遮挡免费观看| 国产熟女二区| 人人爱操| 久久久久久亚洲Av无码| 福利五区| 97视频在线免费看| 国产专区第一页| 超碰色97| 97色涩| 99欧美| 综合av社区| 亚洲综合色图欧美| 6080yy午夜理论三级一区二区三区无码| 欧美巨大性舒爽顶到了| 国产欧美日产一区二区三区 - 国产欧美日| 久久人妻视频| 夜夜操青青草| 夜夜欢天天干| 99热8| 九九视品黄色| www欧美性爱| 午夜性刺激视频免费观看| 日韩色女精品| 天天干天天日天天射黄色大片| 亚欧成人中文字幕一区| 张柏芝国产一区在线观看| 亚精品无码毛片一区二区三区| 免费精品99| 一牛影视成人片免费| 精品国产一区探花在线观看| 91n.欧美| 麻豆成人av| 97爱爱爱综合| 精品久久人妻成人网| 婷婷av在线中文字幕| 男人的天堂视频精品乱在线| 欧美专利1区2区3区4区5区免费| 天天干夜夜一操| 免费A片三p视频| 97亚洲中文| 亚洲涩图欧美| 五十路熟女工口 | 国产在线视频午夜精华在| 欧美另类天堂| 热的中文 热的有码 热的国产| 欧美三级一级| 激情五月综合| 精品国产乱码久久久久久口爆网站| 精品无码欧美三级| 久久久免费高清中文视频| 18禁久极品美女久久哦哟呀!| 久久大香蕉手机高清| 人妻少妇久久久| 国产AV超爽| 2019久久久久久久久福利| 免费A片三p视频| 91综合网站| 青青草原伊人网| 国产自产22区| 人妻内射一区二区在线视频| 超碰天天久久79| 中文一区二区婷婷视频| 久久久工口| 人妻少妇一区二区| 天天做天天爱天天爽| 91九九| 大香蕉五月天婷婷| www.婷婷| 色啪网| 日本污ww视频网站| 亚洲精品无码少妇久久| 岛国网址国产| 欧美精品日韩久久久九| 91一区二区三区蜜桃| 婷婷久久五月综合激情| 伊人久久AV诱惑悠悠| 国产精选视频| 极品少妇久久久| 中国和日本人色哪个不下载能放| 97在线日韩中文字幕| 亚洲熟妇综合久久久久久| 亚洲综合一| 91网站视频在线观看| 欧美成人色| 好舒服视频| 日本日日色视频| 10000部十八禁看电影| 天堂在线一区二区| 亚洲欧美日韩电影网站一区 | 亚洲熟妇图片| 久久久久中出| 欧美老妇女内射网址| 狠狠操官网| 性色aV一区二区三区噜噜| 欧美性天天| 一区二区三区免费视频入口| 蜜臀一区二区三区亚洲最新章节在线观看 - 高清蜜臀一区二区三区亚洲全集播放 | 91天天综合网,天天综合网| 成人日韩中文字幕| 日韩欧美偷拍美女视频| 国产和美国毛片| com 首页 18岁 禁区 女优 免费 精选 同城 | 国产强奸无码乱伦| 性爱视频免费网址| 中文字幕亚韩| 五月婷视频| 116美女午夜| 国产天美欧美| 大香蕉啪啪啪啪在线| 精品二区三四区五电影 | 超碰色大香蕉| 国产福利合集| 93人人操人人| 九九综合色| 日韩二级| 玖玖超碰熟| 激情小说亚洲| 国产大陆天天艹| av天堂手机版追回| 操婷婷逼| 少妇被玩视频二三区| 啊啊啊啊啊啊啊网址在线观看| 欧美男人的天堂| 9国产超碰| 久久6热视频免费观看| 婷婷五月在线视频| 97香蕉人人乳| 亚洲有薄码区久久在线一区| 97欧美| 国产探花精品在线| 超碰97起碰| 色香在线| 九久9精品| 另类TS人妖一区二区三区| 亚洲av影院在线观看| 艹我哪美一区无码| 老司机免费视频在线91| 久热这里只有精品9| 色婷婷六月丁香七月婷婷| 簧片免费看视频| 亚洲色图欧美色图制服丝袜| 97久久国产精品| 尤物av网站免费在线播放| 久久久精品视频免费观看| 国产精品久久久久久夜夜夜| 综合久久99亚洲人妻中文在线| 亚洲高清色综合| 中文字幕高清精品一区| 天天日B夜夜干B时时操B| 操九九九九九九| 亚洲中文字幕一区| WWW.操逼.COM| 91九色在线| 免费啊啊啊| 9久热这里只有精品| 精品亚洲国产成人av网站| 天天干天天插| 国产精品大屁股999| 欧美精品69性爱| 日本99视频| 天堂网 主播 亚洲| 狠狠久久手机视频精品| 五月婷婷六月激情| 国产熟女二区| 精精品人妻一区二区三区| 欧美强奸乱| 夜夜操天| 男人的天堂三级| 中文字幕人成乱码熟女香港| 亚洲情色电影网| 97鸡把在线视频| 91足交| 欧美黑人XXXⅩ高潮交| 夜夜做夜夜爽精品视频| 国产女人和拘做爰视频 | 色大香蕉97N| 国产午夜精品在线观看| 九九伊人网| 久久久久96| 欧洲欧美视频一区二区| 人妻密肉在线观看| 九九无码| 欧美亚洲玖玖玖| 九九九九久久久久| 九月婷婷综合| 欧美性高潮| 亚洲aV性爱| 女生自91网站| 欧美精品一区二区少妇免费A片| 久久只有精品| 91狠狠综合久久久久久| 青娱乐啪啪视频| 婷婷色综合| 欧美综合中文| 99操碰| 国产精品另类| 欧美日韩操操操| 九一国产精品| 欧美日韩操操操| wuyechaopeng| 国产在线精品偷| 老司机福利社视频在线观看| 亚洲图片欧美在线视频| 懂色AV网| 婷婷色在线| 欧美激情区| 欧美亚州手机在线| 97aiaiai| 久久精品72| 欧美aa一级片| 欧美极品色| 99久久精品国产高潮| 久久线上视频免费看| 熟妇人妻精品一区二区视频色欲| 美女黄色91| 少妇超碰在线| 婷婷性网| 99久久无色码| 免费观看性欧美一级| 好看的久久不射无码影视影院| 岛国片国产成人亚洲播放| 亚洲日韩东京热一区| 熟女人妇一区二区三区| 91热| 97超碰色五月| 国产第11页| 国产精品无码av在线| 亚洲素人综合| 激情五月激情综合网| 97精| 大香蕉伊人在线成人AV在线观看| 黄色片一区二区三区四区五区| 91劲爆| 丁香五月天视频| 在线午夜成人无码视频| 97久久久精品| 中文字幕精品资源在线| 91色花堂| 欧美97视频| 欧洲熟妇xxXx欧美老妇裸体| 男人的天堂 在线一区| 美女毛片999| 睡产熟女乱伦| 久久大| 97超碰久久色| 婷婷综合在线| 吖在线不卡一区二区国产剧情| 亚洲影视第一页| 精品免费1| 99在线无码精品秘 入口黑人| 日韩无码服务区| 午夜精品99久久久久传媒| 伊人黄色片| 噜噜瑟| 日夜久久久九九九久| 精品毛片久久久精品毛片| 亚洲欧美第一页| 美日韩一二三区| 亚洲精品色| 国产乱伦视频污| 少妇丝袜在线观看AV| 日韩三四五区| 欧美性爱十八禁| 一起草高清无码| 老鸭窝成人| 91麻豆天美传媒HD| 成人片在线播放| 久久双插| 伦理第一页| 欧美激情久| 1024亚洲中文字幕久在线看片你懂的| 无码精品久久| 91亚洲综合在线| 操B久久| 天天爽天天爽| 天天干天天燥| 色逼综合| 日韩精品中文字幕一| 中文字幕蜜乳av| 玖色av| 色天堂综合| 东北黄色电影| 日韩性爱高清免费视频| 变态乱伦伪娘灌肠一区二区| 日骚逼视频| 亚洲诱惑天堂 | 欧美一区二区三区不卡高清视频| 夜夜无码| 中文字幕第23区| 物尤视频一区二区| 日本人体九九九九九九| 日韩精品在线观看网站| 天天懆天天日| 亚洲色婷婷久久久综合日本| 欧美淫乱视频| 国产AB视频| 99re99视频在线免费观看| 福利风月五月天影院| 五月天综合网| 黄片在线免费在线观看| 少妇一区二区三区精选| 日本国产欧美一区三区二区| 97久久国产精品女不卡| 综合亚洲网| 亚州综合图片| 超碰99热中文字幕| 中文字日本乱码| 91熟女熟妇视频网站| 在线不卡视频| 中文字幕亚洲在线一区| 亚洲天堂在线怕怕视频| 亚洲激情片| 亚洲精品久久久久久久蜜桃臀| 男人的天堂不卡一区二区| 亚洲操人| 国产亚洲日本精品在线| 一本一道波多野毛片中文在线| 欧美黄色片在线播放| 极品欧美一区二区三区| 国产在线观看一区二区三区| 精品国产乱码久久久久久蜜臀| 97久久久久| 老熟乱一区二区三区四区| 九九九不卡| 新91视频.cmp| 精品丰满熟妇人妻一区| www久久精品| 亚洲天堂另类| 97国产精品在线观看| 999色欧美中文字幕| 欧美色九九| 色欲久久99国产精品久久久久久| 在线欧美亚洲| 美女啊啊啊啊啊啊| 日韩射精| 国产视频人人网| 自拍内地三级在线观看| 亚洲无码成人精品| 夜夜操青青草| 久久香蕉综合一本到3atv| 一起草精品人妻| 六月色婷婷| 国产女人高潮视频| 玖玖97综合| 色999人与兽| 91撸色网 玖玖网 欧美| 97久久久精品| 天美传媒av在线| 97超碰公开| 欧美加勒比| 婷婷五月天激情四射| 国产白丝精品在线观看| 2017大香蕉| 久久中文字幕一区不卡| 亚洲成a人片在线观看中文!!!| 91高清无码下载| 蜜臀99久久精品| 久久人妻| 熟女乱3伦999| 天天操夜夜嗨| 色噜噜婷婷| 白丝1区2区3区| 久久综合久色欧美综合狠狠| 后入日本1234| 操人妻视频| 91免费看一区二区三区| 亚洲精品国产熟女| 中国探花熟女| 天天综合网~69| 99国产精品久久久在线播放| 日韩少妇在线视频| 男同专区一区二区三区在线| www久久国产精品| 日韩 欧美 视频 在线 一区| 在线播放成人网站| 精品一区96| 国产精品色约约| 操熟女91| 欧美日日操| 亚洲婷婷五月天| 青青草日本中文字幕| 91国产丝袜白虎| 天天操天天干美女网址导航| 日韩一级二级三级免费看完整版| 思思热久久成人| 婷婷五月天福利| 高清肉丝中文无码| 粉嫩av一区二区三区天美传媒| ji熟女.com| 久久riav中文精品| 福利色色| 亚洲不卡AV在线| 欧美亚洲成人在线一区二区三区| 中国少妇啪啪视频| 国产精品一区午夜福利| 天天综合精品| 裸体1区| 好属操| 在线强奷到舒服的无码视频 | 女人双腿搬开让男人桶| 日韩一级二级在线| 欧美成人精品一区二区男人蜜臀| 九九综合九九综合| 欧洲一级性爱视频在线观看| 天天综合影院91| 欧美色97| 操操操日本的逼| 色哟哟-国产专区| WWW.加勒比人妻一区不卡.com| 欧美综合传媒| 操逼逼一区视频| 国产伊人自拍| 日韩欧美天堂| 久久久久久久久久久免费精品| 日韩一区二区精品视频| 天美一区在线| 亚洲色系另类精品国产| 999久久久九| 99少妇| 2019天天干天天操| 亚洲天堂区| 天天干夜夜| 一二三四视频中文字幕在线看| 啊灬啊灬啊灬好深灬快高潮了动漫-国产字幕国产在线观看-B049AV | 色五月综合| 骚女高跟AV在线| 香蕉国产精品麻豆亚洲欧美日韩| 亚洲宅男天堂| 国产suv精品一区| 久久成人午夜精品影院 | 久久夜夜| 九九久久精品| 亚洲限制级| 操人人|