📚 课程目录第3章 ADMET预测简介

第3章：ADMET预测简介——属性、方法与评估指标

3.1 ADMET属性：药物成败的生命线

说到ADMET，我早期做计算化学那会儿，常常把它当成一个「选做题」。总觉得只要药效好，其它的都好说。后来吃过亏，才知道这想法有多天真。

它到底指什么？

说白了，ADMET是个缩略语，每个字母都代表一个关键环节：

A (吸收) — 药物能不能顺利进入人体循环系统？
D (分布) — 药物到了血液里，能不能去到该去的地方？
M (代谢) — 药物会不会被肝脏「代谢掉」，导致还没干活就失效了？
E (排泄) — 药物最后怎么离开人体？会不会在体内积聚？
T (毒性) — 药物有没有副作用？会不会致癌或者伤肝？

我在项目中遇到过很多化合物，体外活性好得不得了，结果一测Ames（一种致癌性测试），阳性。直接团灭。所以，ADMET不是锦上添花，是生死攸关。

关键提醒： 药效和安全性同样重要。一个「高效但有毒」的分子，几乎不可能成药。

属性	典型实验指标	机器学习预测目标
吸收	Caco-2 渗透性、人肠道吸收 (HIA)	分类（高/低渗透性）或回归（渗透率值）
分布	血浆蛋白结合率 (PPB)、表观分布容积 (Vd)	回归（PPB%）
代谢	CYP450酶抑制、半衰期 (T½)	分类（是否抑制剂）或回归（T½）
排泄	肾清除率、胆汁排泄率	回归（清除率）
毒性	hERG 抑制、Ames 试验、肝毒性	分类（有毒/无毒）

你想想看，这些属性不是孤立的。比如，如果化合物血浆蛋白结合率特别高，那它的自由药物浓度就低，药效就会打折扣。所以，我们做预测时，要尽可能多地考虑这些属性。

3.2 机器学习预测常用方法

好了，属性我们认识了。那怎么用机器学习的办法去预测它们呢？

我个人习惯把方法分成三路：

经典机器学习模型：随机森林（RF）、支持向量机（SVM）、XGBoost。
深度学习方法：图神经网络（GNN）、卷积神经网络（CNN）处理分子图像。
基于物理的方法：分子动力学模拟、自由能微扰。但计算量大，不适合高通量筛选。

这里，我重点讲一下经典机器学习模型。为什么？因为它们在很多ADMET预测任务上，表现甚至比深度学习还好，而且解释性强。

注意： 不要盲目追求复杂模型。对一个只有几千个样本的数据集，一个调好参的随机森林可能比GNN更实用。

拿一个预测水溶性的例子来说，我们通常需要将分子结构转化为数值特征，即「分子描述符」。常用的描述符有：

分子量 (MW)
脂水分配系数 (logP)
氢键供体/受体计数
拓扑极性表面积 (TPSA)

然后把这些特征喂给模型。我早期用RDKit算描述符，再用Scikit-learn的随机森林去做回归预测。效果不错。

一个简单的流程示例：

# 假设你已经有一个分子列表 molecules
from rdkit import Chem
from rdkit.Chem import Descriptors
import numpy as np

def compute_descriptors(mols):
    descs = []
    for mol in mols:
        # 计算几个基础描述符
        mw = Descriptors.MolWt(mol)
        logp = Descriptors.MolLogP(mol)
        tpsa = Descriptors.TPSA(mol)
        hbd = Descriptors.NumHDonors(mol)
        hba = Descriptors.NumHAcceptors(mol)
        descs.append([mw, logp, tpsa, hbd, hba])
    return np.array(descs)

# 然后喂给随机森林模型
# X = compute_descriptors(molecules)
# y = solubility_values
# from sklearn.ensemble import RandomForestRegressor
# model = RandomForestRegressor()
# model.fit(X, y)

这其实只是最基础的用法。真正的挑战在于，如何挑选出最有预测能力的描述符？如何避免过拟合？我在项目中踩过很多坑。

  经验之谈： 我曾经用了一个包含200多个描述符的集合去训练模型，结果在测试集上表现极差。后来通过特征重要性分析，发现只有10个描述符真正有用。所以，特征选择是重中之重。

3.3 评估指标：怎么判断模型好坏？

模型训练完了，怎么判断它行不行？不能光看训练集上的性能。我们必须有一套客观的评估指标。

对于ADMET预测，我一般分成两类任务来看：

3.3.1 分类任务（比如预测是否致癌）

常用的指标有：

准确率：预测正确的比例。但类别不平衡时失效。
精确率：预测为阳性的样本中，真实阳性的比例。
召回率：真实阳性的样本中，被正确预测的比例。
F1分数：精确率和召回率的调和平均。
AUC-ROC：曲线下面积，衡量模型排序能力。

举个例子，在预测hERG（心脏毒性）时，我们更关注「召回率」。宁可错判十个无毒的药，也不能漏掉一个有毒的。因为漏掉一个有毒的，可能就导致临床试验出人命。

指标	含义	适用场景
准确率	整体预测正确的比例	类别大致平衡时
精确率	预测为阳性的有多少是真的	对假阳性容忍度低（比如资源有限）
召回率	真实阳性有多少被找出来了	对假阴性容忍度低（比如安全筛选）
F1分数	精确率和召回率的平衡	需要两者兼顾时
AUC-ROC	模型对不同类别区分能力的总体度量	通用、不受阈值影响

3.3.2 回归任务（比如预测logD）

回归指标相对简单：

均方根误差 (RMSE)：预测值与真实值误差的平方根。值越小越好。
平均绝对误差 (MAE)：预测值与真实值误差的绝对值平均。更直观。
决定系数 (R²)：模型解释了总方差的比例。越接近1越好。

我自己做回归项目时，喜欢同时看RMSE和R²。RMSE告诉你误差有多大，R²告诉你模型对数据的解释力强不强。举个例子，如果R²只有0.3，说明你的模型几乎白做了，还不如直接用平均值代替。

# 回归指标计算示例
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score
import numpy as np

y_true = [0.5, 1.2, 2.8, 3.1]
y_pred = [0.4, 1.1, 2.9, 3.2]

rmse = np.sqrt(mean_squared_error(y_true, y_pred))
mae = mean_absolute_error(y_true, y_pred)
r2 = r2_score(y_true, y_pred)

print(f"RMSE: {rmse}")
print(f"MAE: {mae}")  
print(f"R²: {r2}")

避坑指南： 千万不要在训练集上评估模型性能。一定要留出独立的测试集，或者使用交叉验证。我见过太多人对着训练集上的高R²兴奋，结果测试集上一塌糊涂。

评估模型，不是只看一个指标。我通常在分类任务上看AUC和F1，在回归任务上看RMSE和R²。然后结合领域知识，判定模型是否可用。

这张图概括了ADMET预测的完整工作流，从分子输入到最终评估与优化。其中SHAP可解释性分析是后面章节的重点，这里先埋个伏笔。

好，关于ADMET预测的基础知识，我们就讲到这儿。记住，模型只是工具，领域知识才是灵魂。不要迷信指标，要多想想背后的化学和生物学意义。这是我在多年项目中最大的感悟。