ADMET吸收性质概述：药物吸收与ADMET归纳总结

各位好，我是老周。做药物研发深度学习建模这块有些年头了。今天咱们开始这门课，第一件事就是把ADMET这个事儿先捋清楚。说白了，ADMET就是药物在体内走一遭的五个关键环节：吸收、分布、代谢、排泄，还有毒性。

药物吸收：从给药到入血

吸收，就是药物从给药部位进入血液循环的过程。你吃下去一片药，它得穿过肠壁，进入门静脉，再经过肝脏，最后才能到体循环。每一步都在筛选化合物。

我习惯把吸收能力拆成几个关键因素：

• 溶解度 —— 药物必须能溶解在胃肠液中。不溶解就吸收不了。
• 渗透性 —— 药物得能穿透肠壁细胞膜。脂溶性高的分子更容易穿过去。
• 首过效应 —— 肠道和肝脏里的酶会代谢掉一部分药物。你吃进去100mg，可能只有30mg真正进入血液循环。
• 转运蛋白 —— 有些蛋白会把药物泵回肠腔，或者帮助药物进入细胞。P-gp就是个典型的“拒载”蛋白。
• pH环境 —— 胃里pH很低，小肠偏中性。弱酸或弱碱性药物的离子状态会随pH变化，直接影响吸收。

我记得有一次，我们预测一个化合物的口服吸收率，模型给了85%。结果动物实验做出来只有30%。后来复盘发现，没考虑它在胃酸中的不稳定性。嗯，这里要注意，你模型里的溶出速率参数可能根本不准确。

ADMET：不只是吸收

吸收只是第一关。ADMET这五个字，每个都藏着大坑。咱们快速过一遍：

属性	核心问题	为什么重要
吸收 (Absorption)	药物能否进入血液？	口服药的第一道坎
分布 (Distribution)	药物到不到得了病灶？	影响药效和毒副作用的靶向性
代谢 (Metabolism)	药物在体内会不会被分解？	决定半衰期和清除速率
排泄 (Excretion)	药物怎么离开身体？	影响给药频率和累积毒性
毒性 (Toxicity)	药物会不会伤肝、伤肾、致畸？	直接决定能否上临床

我在项目中遇到过一个很典型的例子：某个候选化合物吸收率极高，分布也到位，但CYP3A4代谢太快，半衰期只有20分钟。即使药效再好，也无法维持有效血药浓度。做ADMET建模如果只看吸收，后果就是这样。

ADMET属性间的“此消彼长”

你想想看，提高渗透性通常需要增加脂溶性，但脂溶性一上去，代谢稳定性可能下降，毒性风险也会升高。这就是ADMET里最头疼的权衡。

• 溶解度 vs. 渗透性 —— 高溶解度化合物通常亲水性强，但亲水性药物很难穿过细胞膜的脂质双分子层。
• 代谢稳定性 vs. 清除率 —— 代谢太稳定，药物清除不掉，容易蓄积中毒；代谢太快，药效时间太短。
• 分布容积 vs. 毒性 —— 分布容积大的药容易在组织里累积，肝毒性、心脏毒性风险升高。

打个比方，ADMET就像五个互不相让的兄弟。你想让吸收好，他就说“行，但你得接受代谢快一点”。你和代谢商量，他让步了，排泄又跳出来说“我负担变大了”。最终找不找得到平衡点，就是药物化学家和建模工程师共同努力的目标。

ADMET与深度学习：为什么是绝配？

传统的ADMET预测靠的是什么？经验规则和QSAR方程。像Lipinski五规则（分子量≤500、LogP≤5、氢键供体≤5、氢键受体≤10），说白了就是启发式筛选。这种方法的局限很明显——它只能处理线性或简单非线性的关系。

但现实中，ADMET属性之间是非线性、甚至高维耦合的。比如一个化合物的吸收率，不光和溶解度、渗透性有关，还和它的分子形状、电荷分布、氢键能力、柔性有关。传统方法很难把这些特征整合到一个模型里。

深度学习的优势就在这里：

• 它能自动提取高层次特征，不需要你手动设计描述符
• 它可以处理海量数据，发现隐藏的关联模式
• 它能同时预测多个ADMET属性，利用多任务学习共享信息

我早些年用随机森林做代谢稳定性预测，最高只能做到0.75的R²。后来换了一版图神经网络，把分子结构当成图输入，R²直接到了0.89。这就是深度学习的价值。

下面是本章的知识体系框架，把ADMET的核心逻辑和深度学习建模路线串起来：

你会发现，我把五个属性作为核心节点，用虚线表示它们之间的互相影响。下方的深度学习建模分支，又分出了三个你必须掌握的要件：特征工程、模型架构、数据与验证。这张图的逻辑，就是咱们这门课三十章要反复讨论的主线。