3. ADMET端点与数据模式设计

ADMET数据集的质量，首先取决于端点定义是否清晰、数据模式是否统一。吸收、分布、代谢、排泄、毒性五个板块看似只是标签不同，实际在实验类型、单位、检测条件、数据表示方式上差异极大。如果建模前不把这些差异显式化，后续清洗和特征工程就会变成“猜字段含义”的过程。本节围绕“端点—实验—单位—条件—表示—统一”这条主线，说明如何设计可落地的数据模式。

一、端点不是标签，而是“实验+条件+表示”的组合

一个ADMET端点，例如“Caco-2渗透性”，至少包含四层信息：实验体系（Caco-2细胞单层）、检测条件（pH 7.4、37℃、孵育时间、方向AP→BL或BL→AP）、测量量（Papp，表观渗透系数）、数据表示（数值+单位+方向）。只写“Caco-2=高”无法用于建模，因为“高”没有阈值来源，也没有方向信息。因此，端点设计的第一步是把每个端点拆成可枚举的字段，而不是只保留一个结果列。

以吸收端点为例，常见的有Caco-2 Papp、MDCK Papp、PAMPA Pe、人体Fa%。它们的单位分别是10⁻⁶ cm/s、10⁻⁶ cm/s、10⁻⁶ cm/s、%。检测条件中，Caco-2需要注明细胞代数、培养天数、转运方向；PAMPA需要注明供体pH和受体pH。若把Caco-2和PAMPA混在同一列，模型会把不同物理过程的数值当作同一尺度，导致系统性偏差。

二、五类端点的典型实验与数据表示

吸收端点的核心是“跨膜能力”。Caco-2和MDCK给出Papp，单位10⁻⁶ cm/s，通常以AP→BL方向为主，BL→AP用于评估外排。PAMPA给出Pe，单位10⁻⁶ cm/s，适合被动渗透。人体Fa%是百分比，属于临床/文献汇总值。数据表示上，Papp建议保留原始数值和方向，不要只保留“高/低”。

分布端点的核心是“组织结合与穿透”。血浆蛋白结合率（PPB）用%表示，检测方法有超速离心、平衡透析、超滤；脑/血浆分配系数（Kp,uu）是无量纲比值，需注明是总浓度比还是游离浓度比。分布端点最容易出现“单位相同但含义不同”的问题，例如PPB的%是结合比例，Fa%的%是吸收比例，二者不能共用同一归一化逻辑。

代谢端点的核心是“稳定性与转化”。肝微粒体稳定性常用T₁/₂（min）或CLint（μL/min/mg protein），检测条件必须注明种属（人、大鼠、小鼠）、微粒体蛋白浓度、NADPH浓度、孵育时间点。CYP抑制常用IC₅₀（μM）或Ki（μM），需注明探针底物和CYP亚型。代谢端点的数据表示建议保留“种属+体系+参数+单位”四元组，否则跨种属外推会失去依据。

排泄端点的核心是“清除与转运”。肾清除率CLr单位mL/min/kg，胆汁排泄率用%剂量，转运体底物判断常用比值（如ER=BL→AP/AP→BL）。排泄端点常与吸收、分布共用转运体实验，但数据模式上应独立，因为其检测条件涉及给药途径和采样时间。

毒性端点的核心是“安全边界”。hERG抑制用IC₅₀（μM），肝毒性常用DILI预测标签（0/1）或ALT升高倍数， Ames致突变用阳性/阴性。毒性端点的数据表示最复杂：既有连续值，又有二分类，还有多分类。建议在模式中显式区分“测量类型”（连续/二分类/多分类），而不是用同一列混合存储。

三、模式统一策略：四步收敛

第一步是建立端点字典。每个端点分配唯一endpoint_id，记录endpoint_name、category（A/D/M/E/T）、measure_type（连续/二分类/多分类）、default_unit。字典是后续所有表的“主数据”，任何新数据源接入前先映射到字典，而不是直接追加列。

第二步是单位归一。同一端点在不同来源可能使用不同单位，例如CLint有μL/min/mg protein和mL/min/kg两种，前者基于微粒体蛋白，后者基于体重，不能直接换算，必须保留体系字段。可换算的才换算，不可换算的标记为“体系不同，不可合并”。

第三步是条件编码。把种属、方向、pH、孵育时间、检测方法等作为独立字段，而不是塞进备注。条件字段建议用受控词表，例如species取值限定为human、rat、mouse、dog等，避免“人”“Human”“h”三种写法并存。

第四步是表示统一。连续值统一为float加unit；二分类统一为0/1并记录阈值来源；多分类用枚举编码；缺失值统一为NA并附原因码（未测、低于检测限、文献未报告）。这样，同一端点在跨来源合并时，至少能保证“同义字段可对齐、异义字段可区分”。

四、一个可参考的端点模式示例

以Caco-2渗透性为例，可设计如下字段：endpoint_id="A_CACO2_PAPP"；category="A"；measure_type="continuous"；value=12.5；unit="10^-6 cm/s"；direction="AP→BL"；species="human"；cell_line="Caco-2"；passage="25-30"；incubation_min=120；ph=7.4；method="LC-MS/MS"；source="internal_assay"；qc_flag="pass"。若同一化合物有BL→AP数据，则另起一行，direction不同，不覆盖。这样，外排比ER可由两行数据计算，而不是靠人工判断。

五、常见陷阱与检查要点

第一，把不同实验体系的数值放在同一列，例如Caco-2与PAMPA混用。第二，单位不统一，例如IC₅₀同时出现nM和μM。第三，条件丢失，例如只记录PPB值，不记录种属和浓度。第四，二分类阈值来源不明，例如DILI=1但未说明依据。第五，缺失值用0填充，导致“未测”被误读为“无活性”。

检查时可用三个问题快速判断：这个端点能否被另一个实验室按同样条件复现？这个数值的单位和方向是否明确？这个缺失值是否知道原因？三个问题都能回答，模式才算可用。ADMET数据治理的起点，正是把端点从“一个标签”还原为“一组可追溯的实验事实”。