1. ADMET预测与模型验证概览
在药物研发的早期阶段，一个候选分子能否走到临床，往往并不取决于它与靶点结合得多强，而取决于它在体内“表现”得如何：能否被吸收、能否到达靶组织、会不会被过快代谢、有没有毒性风险。这一组性质被统称为 ADMET，即吸收（Absorption）、分布（Distribution）、代谢（Metabolism）、排泄（Excretion）与毒性（Toxicity）。与之并列的还有更广义的 ADMET/PK 概念，把药代动力学（Pharmacokinetics）与安全性评价纳入同一框架。理解 ADMET 预测与模型验证，本质上是在回答两个问题：模型能不能算得准，以及算得准的范围在哪里。
一、ADMET 性质到底指什么
ADMET 不是单一指标，而是一组彼此关联、量纲各异的终点（endpoint）。吸收环节常关注 Caco-2 渗透性、P-gp 外排、水溶性与口服生物利用度；分布环节关注血浆蛋白结合率、血脑屏障穿透、组织分布容积；代谢环节关注 CYP450 酶抑制与底物特性、代谢稳定性（如肝微粒体半衰期）；排泄环节关注清除率与肾排泄比例；毒性环节则覆盖 hERG 心脏毒性、肝毒性、致突变性（Ames）、致癌性与生殖毒性等。
这些终点的数据类型差异极大：有的是连续值（如 logP、清除率），有的是二分类标签（如 Ames 阳性/阴性），有的则是多类别或概率输出。正因如此，ADMET 建模不能套用单一算法，而需要按终点类型分别设计。下表给出常见终点与典型数据形式的对应关系，便于后续建模时选择合适的目标函数与评价指标。
| 环节 | 典型终点 | 数据形式 | 常用评价指标 |
|---|---|---|---|
| 吸收 | Caco-2 渗透性、P-gp 外排 | 连续值 / 分类 | RMSE、AUC |
| 分布 | 血浆蛋白结合率、BBB 穿透 | 连续值 / 分类 | R²、准确率 |
| 代谢 | CYP 抑制、代谢稳定性 | 分类 / 连续值 | AUC、RMSE |
| 排泄 | 清除率、肾排泄比例 | 连续值 | RMSE、MAE |
| 毒性 | hERG、Ames、肝毒性 | 二分类 / 多分类 | AUC、F1、召回率 |
二、从分子结构到预测值：建模流程
一个完整的 ADMET 预测模型，通常经历“数据准备—特征化—模型训练—验证—适用域界定—部署应用”六个阶段。数据准备阶段要解决数据来源异构、活性值单位不统一、重复化合物去重、以及类别不平衡等问题。特征化阶段把分子结构转换为数值描述符，常见方案包括：理化描述符（分子量、logP、TPSA、氢键供受体数）、拓扑指纹（Morgan、MACCS）、以及图神经网络直接学习得到的嵌入向量。
模型训练阶段需按终点性质选择算法：连续终点可用随机森林、梯度提升或偏最小二乘；分类终点常用随机森林、支持向量机或深度神经网络。训练集、验证集与测试集的划分必须谨慎，尤其要避免“相似分子同时出现在训练与测试集”造成的数据泄漏。常用做法是采用骨架划分（scaffold split）或时间划分，以更真实地模拟新化学空间的预测场景。
验证阶段是本节的核心。内部验证常用交叉验证评估稳定性，外部验证则用独立数据集检验泛化能力。评价指标必须与终点类型匹配：回归任务看 RMSE、MAE、R²；分类任务看 AUC、准确率、召回率、F1。对于毒性预测，召回率往往比准确率更重要，因为漏掉一个阳性化合物的代价远高于误报。
三、适用域：模型“能管多宽”
任何 ADMET 模型都只在训练数据覆盖的化学空间内可靠。适用域（Applicability Domain, AD）就是用来界定这一范围的边界。若待预测分子落在适用域之外，模型输出只能视为外推，可信度显著下降。常用的适用域判定方法包括：基于描述符距离的方法（如计算待测分子与训练集的欧氏距离或马氏距离）、基于相似度的方法（如 Tanimoto 相似度阈值）、以及基于集成模型预测方差的方法。
实践中，一个直观且易实现的策略是：计算待测分子与训练集中最近邻分子的 Tanimoto 相似度，若低于设定阈值（例如 0.5），则判定为域外。另一种做法是结合多个描述符维度，计算杠杆值（leverage）并设定警告阈值。无论采用哪种方法，都应在报告中明确说明适用域的定义与阈值来源，避免把外推结果当作可靠预测使用。
四、验证与适用域在药物研发中的角色
在真实研发流程中，ADMET 模型很少单独决策，而是嵌入到“计算—实验—决策”的循环里。虚拟筛选阶段，模型用于从百万级化合物库中快速剔除明显不合格的分子，把实验资源集中在最有希望的候选上。先导优化阶段，模型帮助判断结构修饰是否改善了代谢稳定性或降低了 hERG 风险。毒性预警阶段，模型输出作为早期风险信号，指导是否需要进行更昂贵的动物实验。
验证与适用域在这里扮演“质量守门人”的角色。一个 AUC 高达 0.95 的模型，如果适用域极窄，只能覆盖训练集附近的少数骨架，那么它对全新化学型的预测价值就非常有限。反之，一个 AUC 0.80 但适用域清晰、域外判定可靠的模型，反而更适合在项目中稳定使用。因此，评估 ADMET 模型时，必须同时报告性能指标与适用域范围，二者缺一不可。
综上，ADMET 预测与模型验证是一个从数据到决策的完整链条：明确终点类型、合理特征化、谨慎划分数据、匹配评价指标、界定适用域，最后把预测结果放回研发决策的语境中使用。只有把“算得准”和“管得宽”两件事同时说清楚，模型才真正具备被信任的基础。