1. ADMET 概述：从概念到建模
做药物研发的人都知道，光有活性远远不够。一个分子即使体外活性强到爆，到了体内也可能因为吸收差、代谢快、毒性大而彻底失败。我见过太多这样的案例——早期筛选只看活性，结果到动物实验时直接“见光死”。所以，ADMET 这块儿，说白了就是把你从失败的坑里拉出来的那个安全网。
1.1 药物研发中的 ADME/T 概念
ADMET 是五个单词的缩写，每个字母都对应一个关键环节：
| 字母 | 全称 | 核心含义 |
|---|---|---|
| A | 吸收（Absorption） | 药物从给药部位进入血液循环的能力 |
| D | 分布（Distribution） | 药物在体内各组织器官的转运与蓄积 |
| M | 代谢（Metabolism） | 药物被酶系化学修饰的过程，影响半衰期 |
| E | 排泄（Excretion） | 药物及其代谢物离开机体的途径与速率 |
| T | 毒性（Toxicity） | 药物对机体产生有害效应的程度 |
这五个环节不是孤立的。比如一个分子吸收好，但首过代谢强，结果血药浓度上不去；或者分布广，但毒性也随之扩散。嗯，这里要注意——ADMET 是一个系统，不是五个独立参数。
1.2 ADMET 的重要性——为什么非做不可
你可能觉得，先合成几百个化合物，挑活性最好的再测 ADMET 也不晚。但我告诉你，这个思路的代价极高。我记得有一次，团队花了一年多优化一个激酶抑制剂的活性，IC₅₀ 做到了纳摩尔级，结果肝微粒体实验显示半衰期只有 5 分钟——白干了。后来我们把 ADMET 筛选提前到命中化合物阶段，项目效率至少提升了三倍。
从行业数据看，临床前候选化合物中约 50% 因 ADMET 问题被淘汰。这个比例告诉我们一件事：药效是入场券，ADMET 才是决定能否上台的关键。
一句话总结：没有 ADMET 数据的活性分子，就像没有刹车的高性能跑车——跑得快，但迟早会撞墙。
1.3 ADMET 在药物发现中的角色
ADMET 的角色可以分成三个层次：
- 早期筛选的过滤器：在虚拟筛选或高通量筛选后，用计算 ADMET 模型快速剔除“雷区”分子，减少湿实验负担。
- 先导优化的航向标：通过 ADMET 预测结果指导结构修饰，比如哪里会代谢快、哪里会结合毒性受体，精准微调。
- 候选选择的决策工具：在最终候选化合物 PK/PD 评价前，用多参数优化（如 CNS MPO 评分）综合权衡药效与 ADMET。
我在实际项目中习惯把这三种角色画成一个金字塔——底层是高通量过滤，中层是迭代优化，顶层是最终决策。每一层都依赖建模的精度和速度。
1.4 ADMET 建模的基本流程
讲流程之前，先看看这张图，把整个逻辑串起来：
实际建模时，我通常把这几个环节拆成可落地的步骤：
- 数据准备：从公开数据库或内部实验收集分子结构与 ADMET 标签，去重、纠错、标准化。
- 特征工程：计算分子描述符（如 RDKit 的 200+ 2D 描述符）、分子指纹或图表示。
- 模型构建：选择算法——随机森林、XGBoost、GNN 或深度神经网络。我个人习惯先用 LightGBM 跑个基线，再对比更复杂的模型。
- 验证与评估：交叉验证、外部测试集、混淆矩阵、AUC-ROC。这里有个坑——千万别只看训练集精度，我见过一个模型训练集 AUC 0.99，外部测试直接掉到 0.6，因为数据泄漏了。
- 解释与部署：用 SHAP 值或特征重要性解释模型，然后封装成 API 或集成到内部平台。
避坑指南：我曾经在数据准备阶段忽略了分子手性，结果模型对 R/S 对映体的预测完全相反。后来强制在描述符中加入手性信息，效果才恢复正常。
注意事项：ADMET 模型的适用范围（Applicability Domain）一定要标注。预测一个结构完全超出训练空间的分子，结果基本是瞎猜。我通常用 kNN 距离或密度估计来划定 AD 边界。
整个流程看似线性，其实每步都可能回退。比如验证时发现模型泛化差，就需要回头调整特征或重新清理数据。迭代个三五轮是常事。
小结
ADMET 不是一个可选项，而是药物研发的必修课。从概念到建模流程，我给你的建议是：先建立完整的属性认知体系，再动手做模型。千万别跳过概念直接调包训练——那样的模型，离实用差着一条街的距离。