1. ADMET 概述
做 ADMET 预测这么多年，我最大的感受是：很多人把注意力全放在活性筛选上，却忽略了药物分子在体内能不能活下来。你有个化合物，体外 IC₅₀ 漂亮得不行，但一到动物实验就肝毒性、代谢太快、吸收率极低……这种案例我见了不下十次。说白了，ADMET 才是决定一个候选化合物能不能走到临床的关键。
1.1 什么是 ADME/T？
ADMET 是五个单词的首字母缩写，分别对应药物在体内的关键环节：
| 缩写 | 全称 | 含义 |
|---|---|---|
| A | Absorption | 吸收——药物从给药部位进入血液循环的能力 |
| D | Distribution | 分布——药物在体内各组织器官的扩散与蓄积 |
| M | Metabolism | 代谢——药物被酶系统化学修饰的过程 |
| E | Excretion | 排泄——药物及其代谢物从体内清除的途径 |
| T | Toxicity | 毒性——药物对人体产生的有害作用 |
我习惯把 ADMET 理解成一个「药代动力学 + 毒理学」的综合画像。你光看活性就好比相亲只看照片，ADMET 才是了解这个人的全部生活细节。
1.2 为什么新药研发这么重视 ADMET？
你可能听说过一个数字：一个新药从靶点发现到上市，平均要花 10-15 年，烧掉 10-26 亿美元。其中很大一部分成本花在了后期失败的候选化合物上。失败的原因里，超过一半都跟 ADMET 性质差有关。
- 降低后期淘汰率——早期就把 ADMET 太差的化合物筛掉，别等到临床三期才出问题。我印象最深的是一个项目，化合物体外数据非常完美，但到了临床前大鼠灌胃实验发现生物利用度不到 2%，团队白白浪费了一年半……
- 节省成本——体外实验比体内实验便宜，计算模型比实验更便宜。用对的方法在早期做判断，省下来的钱能多筛好几个靶点。
- 提升成功率——有统计表明，在早期就引入 ADMET 评价的研发管线，临床成功率能提高 30% 以上。
一句话总结：ADMET 预测不是锦上添花，是雪中送炭。没有它，你会发现钱花得很快，但花对了地方吗？不一定。
1.3 传统实验方法 vs 计算模型
早期做 ADMET 全靠实验，体外用 Caco-2 细胞测吸收，用肝微粒体测代谢，用 Ames 试验测毒性……这些都是金标准，但速度和通量是硬伤。
后来有了计算模型，也就是我们常说的 in silico 方法。举个简单的例子，化合物的脂溶性通常用 logP 表示，以前得做摇瓶实验，现在用 RDKit 一行代码就能估算：
from rdkit import Chem
from rdkit.Chem import Descriptors
mol = Chem.MolFromSmiles('CC(C)CC1=CC=C(C=C1)C(C)C(=O)O')
logP = Descriptors.MolLogP(mol)
print(f"Predicted logP: {logP:.2f}")你看到了吧？几毫秒就能出一个数值，而且准确度在很多场景下已经能接受。
下面我列了个对比表，方便你直观看清差异：
| 对比维度 | 传统实验方法 | 计算模型（in silico） |
|---|---|---|
| 通量 | 低，一次测几个化合物 | 高，一次可预测上百万个 |
| 成本 | 高，消耗试剂与动物 | 极低，仅需算力 |
| 时间 | 几小时到几周 | 毫秒到分钟 |
| 可解释性 | 直接测量，因果关系明确 | 依赖模型，需验证 |
| 标准化 | 有成熟 protocol | 各团队实现方式不同 |
| 适用阶段 | 临床前候选化合物验证 | 早期大规模虚拟筛选 |
我曾经在一个项目里先用计算模型从 10 万个小分子中预筛出 2000 个，然后才拿去做实验验证，最后真正进入优化轮的只有 20 个不到。如果没有计算模型，直接做实验，2000 个化合物的 ADMET 测定就能把预算吃掉一大半。
⚠️ 注意：计算模型不是万能的。我见过很多人过分相信预测结果，忽略实验验证，导致后期翻车。正确的做法是：计算模型做初筛，实验数据做最终决策。两者互补，不要对立。
💡 我个人的小习惯：构建 ADMET 预测模型时，永远保留 20% 的实验数据用于外部验证。如果模型在外部集上的表现和训练集差太多，那就要怀疑是不是过拟合或者特征选取有问题。
1.4 本章知识体系总览
为了让你的思路更清晰，我把本章的核心逻辑画在了下面的流程图中：
你看这个流程：从化合物出发，先过 ADMET 五关，然后选择传统实验还是计算模型，最终都会落到异常检测与图谱纠错上。这也是我们整门课的核心脉络——帮你建立一套高效、可靠的 ADMET 预测及质量保障体系。