先读懂
一个测量值

一个数字，
经过了多少道门？

表格里写着“活性 0.8”。这个标签看起来可以直接训练，但如果不知道它怎样测得，0.8 可能没有可比较的含义。

测定把真实样本变成读数，数据处理再把读数变成标签。样本背景、取样时间、仪器量程、背景扣除和归一化都可能改变最后的数字。建模前需要理解这条链，而不是只检查 CSV 能否读入。

先问“一行是什么”。它可能是一条序列的一次技术测量，也可能是多个样本的平均值，或一次筛选后由计数估计出的分数。这些行并不自动具有相同统计地位。平均过的数值还应保留样本数与离散程度，否则难以判断可靠性。

深度突变扫描（DMS）通常通过高通量方式测量许多变体在特定体系下的表现。数据里的 fitness score 不一定是自然环境中的生存适应度，更不能不看定义就当成统一的“蛋白活性”。先读原始 assay 描述，再读字段名。[2]

测序可以帮助识别或计数变体，但从序列计数到功能分数，通常还有特定实验与统计处理。输入序列相同，并不意味着来自不同测定的标签可以直接拼接。目标、单位和背景不同，可能需要分开建模。

重复、对照
与批次

技术重复是对同一生物样本重复测量，用于了解部分测量变异；生物学重复来自独立生物样本，用于估计样本层面的变化。重复次数不是唯一重要的信息，独立性来自实验单位和流程，而不是把同一条记录复制几次。

对照使结果有比较基准。背景或阴性对照帮助判断信号底线；参考样本可用于监测测量漂移。对照不必然消除所有偏差，但缺少对照时，跨时间或跨批次比较往往更难解释。

批次效应是由实验日期、试剂、操作者、仪器等成组条件造成的系统差异。如果高性能候选全在第二批测，候选类型和批次就混杂了。模型可能学到批次差异，却被误认为学到了生物机制。

随机化使未知干扰更不容易系统地偏向一组；区组设计则把已知干扰因素组织进比较。它们是实验设计手段，不是事后随意打乱表格顺序。实施时还需考虑真实实验单位与可操作约束。[1]

噪声、缺失与量程也要记录。低于检出限不一定等于零；饱和读数不能准确区分更高的真实值；测量失败可能与某类样本有关，简单删除这些样本会改变数据分布。清洗时应保留处理原因和原始记录。

先说泛化目标，
再切数据

数据泄漏发生在评估中不该可用的信息进入训练或模型选择时。同一变体的重复测量被分到训练和测试，就是常见路径：模型见过几乎相同的对象，测试分数却被解释为对新对象的能力。

分组只能解决与该分组对应的问题。按变体分组，并不能保证对远缘蛋白、全新骨架或新宿主有效。若部署时要面对这些变化，测试设计也应尽量覆盖对应的隔离条件，例如按家族、骨架、时间或实验条件留出。

随机切分并非一概错误。它回答的是从相近数据分布中抽取新样本时的表现；如果这就是使用场景，它可能合理。问题出在把这个结论扩展到没有测试过的场景。测试集的含义，比“测试占 20%”更重要。

还应把数据预处理放进正确边界：用训练集拟合标准化参数和特征选择，验证集用于调参，最终测试集留到模型方案固定后评估。反复看测试结果再修改方案，会让测试集逐渐变成验证集。[3]

今天不用急着修出漂亮分数。只要能说清一行是什么、标签怎样产生、划分检验什么，你已经为明天的模型做了最重要的准备。

把理解，
留在一份记录里

下载审查表，标出一条完整重复记录、一个缺失值和一处单位不一致。不要直接删除：逐项写出处理决定与理由。再查看后续建模用的模拟数据，记录变体与重复测量的关系，提出切分方案。

带走三个判断