1. ADMET预测简介：为什么你该重视它

做过药物研发的人，应该都有过这种经历——候选分子在体外活性测试里表现优异，你满怀期待地把它推向下一步。结果呢？

动物实验一测，肝毒性亮红灯。或者人体试验发现代谢太快，半衰期短得可怜。

嗯，这种情况我见过太多次了。说白了，这就是典型的“活性好，其他不行”。如果我们能早期就预判出这些问题，就能省下大把的时间和经费。

ADMET预测，就是干这个的。

1.1 ADMET是什么？

先拆解一下这个缩写。我习惯把它拆成五块来看：

缩写	全称	一句话解释
A	Absorption（吸收）	药物能否顺利进入血液循环
D	Distribution（分布）	药物在体内各组织的分布情况
M	Metabolism（代谢）	药物如何被身体分解
E	Excretion（排泄）	药物怎么被排出体外
T	Toxicity（毒性）	药物会不会引起不良反应

你想想看，这五个环节里，任何一个出了问题，药物都很难走到最后。我个人习惯把这五块称作“成药性的五道关卡”。

1.2 为什么预测比实验更重要？

有人可能会问：做实验不是更准吗？何必费劲搞预测？

话是没错。但实验的成本和周期，你考虑过吗？

我曾经跟过一个项目，光测一个化合物的肝微粒体代谢稳定性，就花了三周时间，外加几千块钱的试剂耗材。更别说动物实验了——伦理审查、饲养、给药、采样，一轮下来少说也得两三个月。

而ADMET预测，说白了就是用计算模型快速评估。几分钟到几小时就能出结果。它的核心价值在于：在合成和测试之前，先帮你过滤掉那些大概率会失败的候选分子。

1.3 ADMET预测的核心应用场景

我说几个常见的场景，你感受一下：

• 先导化合物优化：利用预测结果指导结构改造，比如改善水溶性、降低 hERG 毒性风险。
• 虚拟筛选：在百万级化合物库中，快速筛出ADMET性质优良的候选。
• 早期毒性预警：预测关键的毒性端点，如肝脏毒性、心脏毒性、遗传毒性。
• DMPK 评价：评估药物的药代动力学性质，比如半衰期、生物利用度。

这些场景，我在实际项目中都遇到过。说白了，预测做得好，后面的路会顺很多。

1.4 参数调优到底有多重要？

模型不是万能的。你有没有遇到过这种情况：同一个预测工具，换一批化合物，预测准确率就从85%掉到60%？

为什么会这样？

因为模型参数没调好。特别是机器学习模型，特征选择、阈值设定、模型超参数——这些都会显著影响预测性能。

举个例子，Caco-2渗透性预测。默认模型可能把 AUC 设成0.8，但你的化合物库偏亲脂性，实际最优 AUC 应该是0.75。差了这零点零几，预测结果就可能“高估渗透性”。

1.5 本章知识结构总览

下面的图，梳理了第一章的核心逻辑。你可以把它当成一张“地图”，带着它走完后面的课程会轻松很多。

1.6 我们能从这门课学到什么？

说实话，市面上讲ADMET预测的资料不少。但大多是泛泛而谈，或者只给你一个工具列表。

这门课不一样。

我会带你把每一个关键参数的背后逻辑讲透。比如：

• 为什么Caco-2和MDCK模型预测吸收率时，阈值要区别对待？
• LogD和LogP在分布预测中，到底哪个更靠谱？
• CYP450抑制预测，如何平衡召回率和精确率？

每个知识点，我都会结合一个真实项目的案例来讲。避坑指南也会直接写成“我曾经……”的形式，全都是真金白银换来的经验。