1. 课程导览：ADMET与药物研发，不平衡数据带来的挑战，深度学习为何能破局
大家好，我是这个课程的讲师。在开始之前，我想先问一个问题：一个新药分子，从发现到上市，你知道最大的风险在哪里吗？
答案可能让你意外——不是活性不够，而是它的人体“耐受性”和“安全性”出了问题。 说白了，就是ADMET性质不过关。我参与过的几个早期项目，候选分子活性数据漂亮得不得了，结果跑到临床前就因为肝毒性或者代谢太快直接被毙了。这种痛，经历过一次就忘不掉。
这一章，我们就来拆解三个核心问题：ADMET为什么是药物研发的生死线？ 不平衡数据到底有多坑？ 深度学习凭什么能强行破局？
1.1 ADMET：药物分子的“身份证”与“生死线”
ADMET 是五个词的首字母缩写，它们决定了分子进入人体后的最终命运：
- Absorption (吸收) – 药物能不能顺利进入血液循环？
- Distribution (分布) – 药物能不能到达病灶部位？会不会在错误的地方累积？
- Metabolism (代谢) – 肝脏会不会以“光速”把它分解掉？代谢产物有没有毒？
- Excretion (排泄) – 药物最后怎么离开身体？肾脏还是胆汁？
- Toxicity (毒性) – 这是最致命的一环。即使前面都完美，只要毒，直接出局。
你想想看，一个分子可能对靶点亲和力极高，但它口服后生物利用度只有 1%，那就是白忙一场。我在做激酶抑制剂项目时，有个分子体外活性 IC₅₀ 做到 1 nM，结果因为hERG 心脏毒性问题直接止步。ADMET 不仅是一个列表，它是一把悬在每个研发人员头上的剑。
关键事实：
- 超过 90% 的候选药物在临床试验中失败，其中约 50% 归因于 ADMET 问题（吸收 10%，毒性 30%，代谢 10%）。
- ADMET 早期预测能将后期失败率降低 30%-50%。
| ADMET 性质 | 临床后果（如果不过关） | 传统实验方法 |
|---|---|---|
| A (吸收) | 口服无效，生物利用度低 | Caco-2 细胞实验 |
| D (分布) | 无法穿透血脑屏障，组织蓄积毒 | 血浆蛋白结合率实验 |
| M (代谢) | 半衰期过短，药物相互作用风险 | 肝微粒体稳定性实验 |
| E (排泄) | 清除途径不明，半衰期异常 | 胆管插管大鼠实验 |
| T (毒性) | 肝损伤、心脏毒性、遗传毒 | 动物毒理学实验 |
1.2 不平衡数据：深度学习建模中的“地雷”
好了，既然都知道 ADMET 重要了，那为什么不直接拿实验数据训练一个模型来预测？
理想很丰满，现实很骨感。药物研发数据有一个天然的缺陷：极度不平衡。
什么意思呢？我用一个例子给你说明：假设我们建一个肝毒性预测模型。从历史实验数据中，我们发现了 1000 个分子。
- 无毒性（多数类）： 950 个分子
- 有毒性（少数类）： 50 个分子
这就是 19:1 的不平衡比。如果你直接拿这个数据去训练一个普通的深度学习模型，会发生什么？
模型会变成一个“懒汉”。 它只需要“猜”所有输入都是“无毒”，那么它的准确率就能冲到 95%！看起来超厉害对不对？但实际上它是全错的，因为那些 真正致命的、我们最关心的毒性分子 它一个都没有识别出来。
我曾经踩过的坑： 最早我参与的一个 hERG 心脏毒性项目，直接拿 10000:50 的数据集训了一个简单全连接网络。结果在测试集上准确率 99%，但真正有毒性风险的分子一个都没筛出来。那次复盘让我意识到，在不平衡数据上，准确率是最废的指标。
不平衡数据带来的问题不仅仅是“准确率造假”这么简单。它还会导致模型训练困难——梯度更新被多数类主导，少数类的梯度被“淹没”。分类边界会被强行推向少数类区域，导致对毒性、活性异常值的召回极低。
为什么会这样？因为深度学习模型本质上是在做一个统计拟合。如果训练集中 95% 的样本都是一类，模型天然会认为“保持现状”是报酬最高的策略。它不会主动去学习那 1% 的例外，除非你通过特别的手段告诉它：“伙计，那 1% 才是重点。”
1.3 深度学习：为什么它能成为破局者？
既然传统模型和常规深度学习都搞不定不平衡数据，那为什么我们还要深度学习？
其实，深度学习的优势不在于“直接解决不平衡”，而在于它提供了更强的特征提取能力和灵活的数据处理机制。
- 自动特征工程： 传统方法需要你手动计算分子指纹（如 ECFP）、理化性质。而图神经网络可以直接从分子图结构中自动学习表征，不需要人工设计特征。这在处理稀疏、不平衡数据时尤其重要——因为你很难手工构造出区分“稀少毒性分子”的特征。
- 灵活的损失函数： 你可以轻松嵌入不平衡处理策略。比如使用 Focal Loss 让模型更关注难分类样本；或者通过 Weighted Cross-Entropy 给少数类更高的权重。
- 采样与数据增强： 深度学习框架允许你在训练时动态进行过采样（SMOTE）、欠采样或混合采样。甚至可以用 VAE 或 GAN 来生成合成的“毒性分子”数据来平衡数据集。
- 端到端训练： 你可以将特征提取、不平衡处理、分类任务全部集成在一个模型中。这是传统机器学习很难做到的。
我的经验： 在一个细胞色素 P450（CYP450）抑制活性预测项目中，我们采用了 Graph Isomorphism Network (GIN) 结合 Focal Loss，对比传统的轻量梯度提升机（LightGBM）。在极不平衡（100:1）的测试集上，GIN 模型对抑制剂的召回率从 LightGBM 的 12% 提升到了 58%。虽然整体准确率下降了，但真正需要被发现的“危险分子”漏检率大幅降低。
那么，具体来说，一个完整的不平衡 ADMET 深度学习建模流程是什么样的？我画了一张图，大家可以直观感受一下整个知识体系：
我们可以看到，整个流程是三个核心阶段的串联：首先是不平衡数据的预处理（采样与损失函数设计），然后是模型架构的选择（GNN / GCN / Transformer），最后才是针对性评估。其中任何一个环节处理不好，整体模型都会失效。
1.4 本章核心要点
- ADMET 是药物研发的隐形杀手。 超过一半的临床失败病例背后都藏着它。早点预测，晚点失败。
- 不平衡数据是 ADMET 建模的癌症。 它会让你的模型变成一个“只会说无毒”的废物。如果你只用准确率评估模型，你的项目很可能在骗自己。
- 深度学习提供了破局工具箱。 它不是万能的，但它的自动特征学习、灵活损失函数、与过采样/生成式方法的结合，是目前对抗不平衡数据最有力的手段。
一句话总结： 从这一章开始，我们将手把手带你从原始 ADMET 实验数据出发，一步步构建一个能够在极高不平衡比下仍能准确“抓住”毒性分子的深度学习模型。我会把我在项目中踩过的每一个坑都标示出来，帮你跳过不必要的弯路。