1. ADMET数据集工程导论

ADMET 是吸收（Absorption）、分布（Distribution）、代谢（Metabolism）、排泄（Excretion）与毒性（Toxicity）的统称，它决定了候选化合物能否真正成为可给药的分子。在药物研发中，活性优化往往只解决“是否有效”，而 ADMET 决定“能否成药”。因此，ADMET 预测模型的价值不在于拟合一个漂亮的回归曲线，而在于能否在化合物合成之前，对成药性风险给出可信判断。这种可信度，几乎完全由数据集的质量决定。

一、ADMET 预测任务对数据集的特殊要求

与图像分类、文本情感分析等通用机器学习任务不同，ADMET 数据集具有几个难以回避的特性。

第一是标签来源异质。同一个“水溶性”终点，可能来自不同实验室的摇瓶法、浊度法或计算 logS；同一个“hERG 抑制”终点，可能来自膜片钳、放射性配体结合或荧光偏振实验。不同实验原理对应不同的测量尺度与误差结构，直接混用会把实验方法差异当作分子结构差异学习。因此，数据集中必须保留测定方法、实验条件与数据来源等元数据，而不是只保留 SMILES 与标签值。

第二是标签分布高度不均衡。在毒性终点中，阳性化合物通常远少于阴性化合物。例如一个 hERG 数据集可能有 8000 条记录，其中阻断剂仅约 600 条，阳性率约 7.5%。若直接训练，模型会倾向于全部预测为阴性，准确率看似很高，但召回率极低。这类问题必须通过分层划分、重采样或代价敏感学习处理，而处理的前提是数据集本身记录了完整的类别分布。

第三是化学空间覆盖不均。药物化学项目往往围绕若干骨架反复优化，导致数据集中某些结构簇样本密集，而其他区域稀疏。若随机划分训练集与测试集，测试集分子与训练集分子高度相似，模型指标会被严重高估。因此 ADMET 数据集需要支持骨架划分（scaffold split）或时间划分（time split），以模拟真实场景中对新化学空间的泛化能力。

第四是单位与阈值必须统一。同一终点在不同来源中可能以 μM、nM、μg/mL 或 pIC50 表示，分类阈值也可能取 1 μM、10 μM 或 30 μM。若不统一，标签将不可比。工程上通常约定：连续值统一换算为 log 单位或 p 单位，分类任务明确写出阈值来源与方向（如“hERG 阻断：IC50 < 10 μM 记为阳性”）。

二、数据治理在药物研发中的价值

数据治理不是一次性清洗，而是一套贯穿数据生命周期的规则与记录机制。在 ADMET 场景中，它至少带来三方面价值。

其一是可追溯。每条记录应能回答：这个值来自哪篇文献、哪个数据库、哪种实验方法、什么时间入库、经过哪些清洗步骤。当模型在某个终点上表现异常时，可追溯性使问题定位从“猜”变为“查”。

其二是可复现。数据集版本、划分种子、去重规则、标准化脚本都应被固定并记录。否则同一批数据在不同时间训练出的模型无法比较，A/B 实验也失去意义。

其三是可审计。监管机构对预测模型用于决策支持时，会关注训练数据的来源合法性与质量。良好的治理记录能显著降低合规成本。

三、课程项目贯穿方式与交付物定义

本课程以一个贯穿始终的 ADMET 数据集工程项目为主线。项目对象是一批公开来源的化合物记录，覆盖溶解度、渗透性、血浆蛋白结合、CYP 抑制、hERG 阻断与急性毒性等终点。每章都会在同一个项目上推进一个治理或建模环节，最终形成一套可复用的数据集与配套文档。

项目交付物包括：

• 原始数据清单：记录来源、下载时间、字段说明与许可信息。
• 标准化数据表：统一 SMILES、单位、阈值与终点命名，保留来源字段。
• 质量报告：重复率、缺失率、类别分布、化学空间覆盖与异常值统计。
• 划分方案：随机划分、骨架划分与时间划分三套索引，固定随机种子。
• 建模基线：至少一个传统机器学习模型与一个图神经网络模型，报告 AUC、PR-AUC、召回率与校准曲线。
• 治理日志：每次清洗、合并、修正的操作记录与理由。

下面的 SVG 展示了本课程数据从多源采集到最终交付的治理链路，以及各环节的关键控制点。它不替代正文，而是帮助你在后续章节中始终看清自己所处的位置。

需要强调的是，图中“计算预测”来源的数据必须单独标记，不能与实验数据混为一谈。在后续章节中，我们会具体处理 ChEMBL 导出字段、SMILES 标准化、骨架划分实现以及基线模型训练。本章的任务是建立整体认知：ADMET 数据集工程的核心不是“收集尽可能多的数据”，而是“让每一条数据都清楚自己从哪来、代表什么、能支持什么结论”。