第1章 课程介绍与ADMET概述

1.1 为什么要做这个课程

先跟大家聊聊背景。我在药企算法组带项目那会儿，最头疼的不是模型精度，而是——花了三个月训好的模型，到了下游决策环节没人敢用。为什么？因为预测结果跟实验对不上，尤其是肝毒性这块，假阳性高得离谱。

后来我复盘了一下，发现根本原因不是算法不行，而是数据侧和指标侧没对齐。你想想，光一个“肝毒性”就有十几个表型终点，有的测ALT/AST酶活，有的看细胞活力，还有直接测胆红素的。同一个化合物，在不同实验体系里结果可能完全相反。这时候你拿个黑盒模型去硬拟合，不出问题才怪。

所以我一直觉得，做ADMET预测模型，第一课不应该是搭网络，而是先搞明白——我们到底在预测什么？为什么传统方法搞不定？深度学习凭什么能上？这些问题想清楚了，后边的技术选型才不会跑偏。

核心认知：ADMET预测不只是“套个模型跑个分”，它本质上是一个多任务、多模态、数据极度稀疏的药物决策问题。把这个问题定义清楚，比调优超参数重要十倍。

1.2 什么是ADMET

ADMET是五个词的缩写，说白了就是药物在体内走一遭要经历的五个环节。我习惯用一张表把它说清楚：

缩写 全称 通俗解释 重点关注
A Absorption 药物怎么进到血液里 口服生物利用度、Caco-2渗透
D Distribution 药物跑遍全身各组织 血浆蛋白结合率、组织分布
M Metabolism 肝脏怎么把它代谢掉 CYP酶代谢稳定性、代谢产物
E Excretion 药物最后怎么排出去 肾清除率、半衰期
T Toxicity 会不会伤害身体 肝毒性、心脏毒性、遗传毒性

你可能会问：为什么把T（毒性）放在最后？其实不是先后顺序，而是“毒性评估”贯穿药物研发全周期。肝毒性又是所有毒性里最常导致临床失败的——我统计过FDA近十年的数据，大约三分之一的临床失败药物直接或间接跟肝损伤有关。

个人习惯：做ADMET项目时，先把T拆成多个子任务（肝细胞毒性、胆汁淤积、线粒体毒性等），比直接预测一个“有毒/无毒”二分类效果好得多。这点我们在后续章节会详细展开。

1.3 肝毒性预测的挑战

讲真，肝毒性预测是ADMET里最难啃的骨头。为什么？我列几个实际项目里踩过的坑：

  • 数据极度稀疏：公开数据集里肝毒性阳性样本往往不到10%，负样本还夹杂着大量未验证的“无标注”。直接用这些数据训分类器，相当于盲人开车。
  • 表型异质性大：同样一个分子，在HepG2细胞和原代肝细胞上测的结果可能完全相反。你模型学的是哪个“肝毒性”？

    我曾经在一个项目里用体外数据训的模型直接去推临床肝损伤，结果AUC只有0.55。后来换成多任务学习，同时预测多个表型终点，才把AUC拉到0.73。

  • 机制复杂：很多化合物不是直接毒死肝细胞，而是通过代谢活化、线粒体损伤、免疫介导等间接途径。模型不学这些机制，很容易过拟合到分子量、logP这类简单特征上。
  • 评价指标混乱：学术界爱用AUROC，工业界更关心PRAUC和成本敏感度。你想想，如果模型把10%的毒物判成安全（假阴性），这个代价在制药行业可能是几千万美金打水漂。

1.4 深度学习为何能帮上忙

传统方法走的是“分子描述符+随机森林/SVM”的路子。不是说它不好，而是它能学到的复杂模式太有限了。分子图结构、序列信息、甚至影像数据，这些非结构化信息传统方法是很难直接利用的。

深度学习天然擅长做这件事：

维度 传统方法 深度学习方法
特征工程 人工设计分子描述符，耗时且易漏 自动从分子图/SMILES学习表征
多模态融合 很难把分子、细胞影像、基因组数据放一起 可以通过多头注意力、跨模态对齐实现
多任务学习 每个终点单独训一个模型 共享底层表征，同时预测多个毒性终点
可扩展性 加数据就要重新训，算力瓶颈明显 预训练+微调范式，能很好地利用无标注数据

举个具体的例子。我们组之前用GIN（图同构网络）代替传统指纹做肝毒性预测，仅这个改动就让AUROC提升了6%。更关键的是，GIN能学出哪个原子片段跟肝毒性强相关，对科学家来说是可解释的。

# 一个简单的分子图构建示例（伪代码）
from rdkit import Chem
from torch_geometric.data import Data

mol = Chem.MolFromSmiles('CC(=O)OC1=CC=CC=C1C(=O)O')
# 构建节点特征（原子类型、度数、杂化等）
node_features = get_atom_features(mol)
# 构建边索引（化学键）
edge_index = get_bond_index(mol)
# 组装成PyG数据对象
data = Data(x=node_features, edge_index=edge_index, y=1)  # 1表示有肝毒性

当然，深度学习不是万能的。它的三大弱点——数据饥渴、过拟合风险、可解释性差——在肝毒性预测里尤其突出。所以这个课程不是堆模型，而是把数据工程、模型设计、实验验证串起来讲。

1.5 ADMET肝毒性预测的知识架构

下面这张图是我对整门课知识体系的总结。你可以把它当作一本地图，后面每学一章都能在这找到位置：

ADMET肝毒性预测知识体系 药物研发全流程 ADMET筛选（核心环节） 肝毒性预测（难点焦点） 深度学习模型（GNN/Transformer/多任务） 候选化合物筛选 其他ADME属性 吸收 (A) 分布 (D) 代谢 (M) / 排泄 (E) 核心挑战 • 数据稀疏 & 噪声 • 多表型异质 • 机制复杂性 • 评价指标混乱 → 深度学习提供新解法

这张图把课程主线串了一遍：从药物研发背景出发，聚焦ADMET筛选，再下钻到肝毒性预测这个难点，然后引出深度学习的解决方案，最终落脚到候选化合物筛选。每个环节你都能在后续章节找到对应的模型、数据或实验设计。

1.6 你需要什么样的基础

说实话，这门课不要求你已经是药理学专家，但最好具备以下几点：

  • Python + PyTorch基础：能读懂简单的数据加载和模型定义代码。如果你只会调sklearn，我建议先花两天补一下PyTorch的入门教程。
  • 对分子结构有基本概念：看得懂SMILES、知道原子和键是什么就行。不懂的话，第2章会花一小节快速补齐。
  • 愿意做实验：每章都配有可跑的Notebook（Colab友好），我强烈建议你边看边跑，光看是学不会调参的。

我曾经带过一个学员，背景是化学合成，连Pandas都没用过。他跟着课程一路跑完所有Notebook，最后自己搭了一个肝毒性预测模型，AUC做到了0.82。关键是——他不怕犯错，踩坑了再回来翻课件。所以，别怕基础不好，怕的是不动手。

1.7 课程的整体门道

这门课一共30章，我按“问题-数据-模型-实践”四大块来组织的。具体来说：

  1. 问题定义阶段（第1~3章）：把ADMET、肝毒性、数据来源和评价指标彻底讲透。你会明白为什么AUROC在工业界不够用，为什么需要PRAUC和成本敏感度。
  2. 数据工程阶段（第4~8章）：从公开数据集（Tox21、ClinTox、LD50等）的清洗，到分子图构建、SMILES增强，再到多模态数据融合。这一块是实操的重头戏。
  3. 模型设计阶段（第9~20章）：从基线模型（随机森林/MLP）开始，逐步深入GCN、GAT、MPNN、Transformer、预训练模型（ChemBERTa、GraphCL）、多任务学习、对抗训练。每章都会给出完整的PyTorch实现和训练日志。
  4. 实践部署阶段（第21~30章）：包含模型可解释性、不确定性估计、迁移学习、联邦学习、模型验证与上线。最后还会带你看一个完整的真实项目案例。

嗯，这个计划不算小。但只要你跟着走完，一定能独立搭建一套可用于药物研发决策的肝毒性预测系统。

好，第一课就到这里。我们从一个大框架入手，后面会一步步落到具体代码和实验上。记住：别等着“学完所有理论再动手”，第2章就有数据集下载和基线模型跑通——先干起来再说。

← 上一章 📖 返回目录 下一章 →