JMC的QSAR论文能只用企业内部数据建模吗？

把企业内部化合物数据用于 QSAR 或 QSPR 建模，是否能直接投 Journal of Medicinal Chemistry？作者指南通常不接受仅依赖受限制的专有数据，因为模型生成和验证所用的实验数据与分子结构应在正文、用于出版的补充资料中报告，或能够无障碍取得。若读者只能看到拟合曲线，却无法知道训练结构与原始活性，模型优劣便无法独立判断。

先整理数据清单：结构、测量终点、单位、实验条件、数据来源、重复测量和缺失情况。再与合作方核对哪些内容允许公开。若公司只同意公布聚合指标、不允许公开结构和活性，作者应在立项或写稿前评估研究是否符合该刊要求，而不是投稿后临时申请“只供编辑查看”来绕过可得性要求。可考虑改用合法可公开的数据集重做验证，但要如实说明数据版本。

新方法需要合适的比较对象

指南要求若提出新方法或理论，应与至少一种领域常用方法比较并验证。比较时训练集、测试集划分和特征处理应尽量一致，避免新模型看到更多信息。若只与明显过时或故意弱化的基线比较，不能说明改进有实际价值。比较时还应报告基线模型是否经过合理调参，避免新方法独享优化资源。特征选择和超参数调优只能在训练流程内完成，测试集应留作独立评价；否则统计表现可能被信息泄漏抬高。

常规 QSAR/QSPR 工作还需超越“得到很高的相关系数”。JMC 指南说这类研究仅在预测经过实验检验且实验数据新颖而重要时考虑，分析也应带来关于活性的新增理解。若模型只回顾性拟合已有化合物，文稿应谨慎说明其探索性质，不把预测能力写成已经确证。选择待测分子时要记录是模型预先推荐，还是实验结果出来后才挑选成功案例。

介绍研究新意时，摘要、引言或结果中应明确说出新在哪里：是方法改变、适用的化学空间扩大，还是产生可实验验证的机制判断。仅换一套机器学习名称不等于新意。若数据集很小，提供适用范围和外推边界，避免把内部系列上的结果写成跨化学类别通用模型。

投稿前请一位未参与建模的作者只依据公开数据与方法复核一个预测例子，检查结构编码、活性单位和训练测试分割是否能重建。若由于专有数据无法完成，就不要用“可重复”描述整项分析。选刊前就要与数据权利方确认哪些结构和活性数据可以公开。若准备引用企业内部测定，应核对测量条件是否与公开数据一致，不能把条件差异当成模型性能差异。