数据泄漏（训练-测试泄漏）

定义

测试集样本在序列、结构、配体、口袋或标签上与训练集近重复，使成绩反映记忆而非泛化。

代表实例

• 审计 22 项 Therapeutics Data Commons 加 9 项 MoleculeNet 在内的 51 个基准配置，多数存在冲突标签与泄漏 [1]。
• PDBbind / PDBbind+ 与 CASF-2016 重叠严重：GEMS 去掉蛋白或配体信息后部分模型表现相当；CASF-2016 共 285 复合物，其中 161 个不在 LP-PDBbind 训练集 [2][3]。
• Runs N' Poses：共折叠模型性能随与训练集相似度下降 [4]。
• 二手称 DiffDock 在 PDBbind 新颖复合物上成功率下降约 40 个百分点（待复核）⚠️。

审计与对策

按相似度聚类切分（PLINDER）、ECOD 域聚类（DockGen）、时间切分加相似度分层（Runs N' Poses）、去除蛋白或配体输入的消融（GEMS）；前瞻盲测（CASP）和私留题（LAB-Bench 的 20%）从机制上避免泄漏。

局限

相似度阈值与度量的选择本身左右结论；时间切分不保证相似度隔离；预训练语料不透明时，LLM 类基准的污染难以证伪。

来源

1. https://www.chemistryworld.com/news/benchmark-flaws-may-be-distorting-ai-drug-discovery-leaderboards/4024084.article (2026-10-15)
2. https://www.biorxiv.org/content/10.1101/2024.12.09.627482.full.pdf (2026-10-15)
3. https://arxiv.org/pdf/2606.03422 (2026-10-15)
4. https://www.biorxiv.org/content/10.1101/2025.02.03.636309.full.pdf (2026-10-15)