1、ADMET预测简介：XGBoost在ADMET领域的优势与应用场景

1.1 什么是ADMET？为什么它如此关键？

做药物研发的朋友，对ADMET这个词肯定不陌生。它代表的是药物分子在体内的五个核心属性：

  • A (吸收) —— 药物能不能被人体有效吸收？
  • D (分布) —— 药物进入血液后会跑到哪些组织里去？
  • M (代谢) —— 肝脏会不会快速把它分解掉？
  • E (排泄) —— 药物最终通过什么途径排出体外？
  • T (毒性) —— 药物会不会产生副作用或毒性反应？

这几个属性，说白了就是决定一个候选化合物能不能成为真正药物的生死线。

我记得早些年做项目的时候，有个化合物体外活性非常好，IC50漂亮得不行。结果进了动物实验，肝脏代谢太快，半衰期只有十几分钟。嗯，那种心痛的感觉，做过药的人都能理解。

临床前失败案例中，超过50%是因为ADMET性质不佳。所以在早期筛选阶段就把ADMET问题识别出来，能帮研发团队省下大量时间和经费。

1.2 传统方法的困境：为什么需要机器学习？

传统ADMET预测主要依赖两种手段：

方法 优势 痛点
实验测定 数据可靠，金标准 成本高、通量低，一个化合物测一遍全套ADMET可能要几周
规则基方法 (如Lipinski五规则) 简单快速，零成本 过于粗糙，对非口服药物几乎无效

你想想看，一个大型化合物库可能有数百万个分子。实验测定只能测几百个。传统规则筛选又会漏掉太多有潜力的分子。我们需要一种既能处理高维数据、又能快速预测的方法。

这就是机器学习派上用场的地方。特别是结构化的分子描述符数据和表格形式的实验数据，XGBoost天然适合处理这类问题。

1.3 为什么是XGBoost？它在ADMET预测中的独特优势

我个人习惯在多个模型之间做对比，但XGBoost一直以来都是我的首选基线。原因有这么几点：

  1. 处理缺失值的能力 —— ADMET实验数据经常有缺失。有些化合物只测了Caco-2渗透性，没测血浆蛋白结合率。XGBoost的稀疏感知算法对缺失值友好，不需要像神经网络那样做大量插值。
  2. 特征重要性可解释 —— 做药物研发的人不只是要预测结果，还要知道为什么。XGBoost可以明确告诉你：哪些分子描述符对预测hERG毒性贡献最大。这在调整分子结构时非常有用。
  3. 小样本下表现稳健 —— 我曾在项目中遇到过一个毒性数据集，只有不到500个分子的标注。用神经网络几乎无法训练，但XGBoost依然给出了可用的预测。你想想看，对于早期研发中常见的几百到几千个样品，这个优势很关键。
  4. 训练速度快，迭代迅速 —— 做调参的时候，你可能一天要跑几十组参数组合。XGBoost的GPU加速和直方图算法让大规模网格搜索变得可行。

我的经验之谈： 在开始调参之前，先跑一次默认参数的XGBoost模型。这能帮你快速判断当前数据集是否"可预测"。如果默认参数下的性能都不错，说明特征质量好，后续微调会非常顺利。

1.4 核心应用场景：这张图帮你看清全貌

下面这张图总结了XGBoost在ADMET预测中最常用的几个场景。我建议你收藏一下，在实际项目中可以对照着看。

XGBoost 在 ADMET 预测中的核心应用场景 ADMET 任务核心 吸收 (A) 分布 (D) 代谢 (M) 排泄 (E) 毒性 (T) Caco-2 渗透性 MDCK 渗透性 人结肠腺癌细胞 血浆蛋白结合 血脑屏障 组织分布 CYP 抑制 CYP 诱导 代谢稳定性 肾清除率 胆汁排泄 半衰期 hERG 毒性 肝毒性 / 致癌性 皮肤致敏性 关键洞察 XGBoost 尤其擅长处理上述场景中的 高维分子描述符 与 稀疏标注数据 XGBoost 调参优化

1.5 一个典型的工作流

让我给你描述一下实际项目中，XGBoost是怎么被嵌入到ADMET预测管线中的。我在某次合作项目中就用过这个流程：

  1. 数据准备 —— 从公共数据库（如PubChem、ChEMBL）或内部实验报告中收集化合物的ADMET标注数据。
  2. 特征工程 —— 使用RDKit或MOE生成分子描述符。我个人习惯生成200-500个2D描述符，包括拓扑指数、分子量、logP、氢键供体/受体数量等。
  3. 基线模型 —— 先用XGBoost默认参数跑一个基线。这是判断数据集质量的关键步骤。
  4. 超参数调优 —— 重点调整 n_estimators、max_depth、learning_rate、subsample 和 colsample_bytree。这部分内容我会在后面的章节里详细展开。
  5. 评估与解释 —— 用ROC-AUC、精确率-召回率曲线评估模型。再用XGBoost内置的特征重要性工具来分析哪些分子描述符是决定因素。

下面这段代码是我常用的快速基线脚本，你可以直接拿去用：

import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score

# 假设 X 是分子描述符矩阵，y 是ADMET标签（0/1）
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# 默认参数基线
model = xgb.XGBClassifier(
    n_estimators=100,
    max_depth=6,
    learning_rate=0.3,
    subsample=1.0,
    colsample_bytree=1.0,
    random_state=42
)

model.fit(X_train, y_train)
y_pred = model.predict_proba(X_test)[:, 1]
print(f"基线 AUROC: {roc_auc_score(y_test, y_pred):.4f}")

注意： 这段代码假设你的标签是二分类的。对于多分类ADMET任务（比如CYP抑制中判断多个亚型），需要在 objective 参数中设置为 multi:softmax 或 multi:softprob。我在最初做多标签任务时就踩过这个坑。

1.6 关于调参，你需要知道的几件事

在正式开始后面的调参内容之前，我想先分享一个认知框架。我曾经走过不少弯路，希望你不用重蹈覆辙：

  • 不要一上来就调参 —— 先确保数据质量。我见过有人花了两周调参数，结果发现是训练集和测试集有泄露。先做数据清洗，再谈调参。
  • 理解参数的物理意义 —— 比如 max_depth 控制树深度，太浅欠拟合，太深过拟合。这个平衡需要在具体数据集上摸索。
  • ADMET任务往往是类别不平衡的 —— 比如hERG毒性数据中，有毒的分子通常远少于无毒的。这种情况下，评估指标要慎用准确率，多用AUROC或AUPR。
  • 早停法 (Early Stopping) 是你的朋友 —— XGBoost原生支持早停。这不仅能防止过拟合，还能帮你自动确定最佳迭代次数。

一个小技巧： 在调参之前，先用 xgb.cv 做交叉验证，观察不同参数组合下的性能趋势。这比直接跑全量数据要快得多，能帮你快速锁定参数范围。

← 上一章 📖 返回目录 下一章 →