ADMET数据简介与多批次问题概述

做药物研发的朋友，应该对ADMET不陌生。这四个字母代表吸收、分布、代谢、排泄和毒性。说白了，就是研究化合物在生物体内能不能被吸收、去了哪里、怎么分解、怎么排出去，以及有没有毒。

我刚开始接触这个领域时，觉得不就是查几个参数吗？后来发现完全不是那么回事。你想想看，一个新药从筛选到上市，可能要测上百个甚至上千个化合物。而且，这些数据不是一次测完的，往往是分批、分批地测。

什么是ADMET数据

ADMET数据，就是描述化合物在体内动态行为的各类参数。比如:

• 吸收：Caco-2细胞渗透性、口服生物利用度
• 分布：血浆蛋白结合率、组织分布系数
• 代谢：肝微粒体稳定性、CYP酶抑制
• 排泄：半衰期、清除率
• 毒性：hERG抑制、AMES致突变性

每个参数背后，都有特定的实验方法和数据格式。我在项目中遇到过这样的事：同一个化合物，不同批次的Caco-2数据居然差了三倍。嗯，这就是多批次问题的典型表现。

多批次问题的根源

为什么会这样？多批次数据整合的难点，说白了在于“不一致”。

我总结了一下，主要有这几个来源:

问题类型	具体表现	常见场景
实验条件差异	温度、pH、细胞批次不同	不同实验室、不同时间
仪器平台差异	检测限、灵敏度不同	旧设备→新设备升级
数据格式差异	单位、精度、缺失值	不同供应商、不同年份
标准品批次差异	纯度、活性不同	化合物库存更新
处理方法差异	归一化、拟合算法	软件版本更新

你看，这些差异不是理论上的，而是实际工作中天天遇到的。我记得有一次整合三个批次的代谢稳定性数据，光统一单位就花了两个小时，微摩尔和毫摩尔混在一起，加上不同公司的报告格式，简直是一次体力活。

多批次数据整合的核心挑战

我们不妨先捋一下，整合多批次数据到底要解决什么问题:

1. 数据对齐：不同批次的化合物ID、测试条件、时间戳，怎么对应起来？
2. 数据清洗：缺失值怎么处理？异常值怎么识别？
3. 批次效应校正：系统误差怎么消除？
4. 数据融合：同一化合物不同批次的结果，如何得到一个可靠值？

ADMET数据整合工作流

我习惯把整个流程画成一张图，这样看更直观。下面的SVG展示了从原始数据到整合数据集的典型路径:

从图上可以看到，多批次数据整合不是简单的“复制粘贴”。它需要经过格式统一、清洗、校正、融合等多个环节。每个环节都有它的坑。

一个小案例

假设你有两个批次的数据。第一批是2023年1月测的，第二批是同年6月测的。两个批次都包含同一个化合物A的Caco-2渗透性数据。

两个批次的原始数据是这样的:

# 批次1: 2023-01-15
化合物ID, Caco-2_Papp(10^-6 cm/s), 备注
A, 12.5, 
B, 8.2, 
C, 15.0, 低回收率

# 批次2: 2023-06-20
Compound_ID, Papp(1e-6 cm/s), Comments
A, 14.1, 
B, 7.9, 
C, 16.3,

你看，两批数据的列名不同、单位写法不同，而且第一批的化合物C还带了注释。这些不一致，在手工处理时很容易被忽略。

ADMET数据整合的价值

你可能会问，花这么多精力整合数据，到底值不值？

我个人觉得，整合后的数据集才是真正可用的。比如你要用这些数据训练一个预测模型，如果数据充满噪声和批次效应，模型的表现肯定会大打折扣。反过来，一份干净的整合数据，能让后续的分析事半功倍。

我曾经参与过一个项目，整合了三个实验室、跨三年的ADMET数据。刚开始大家都觉得没必要，后来发现整合后发现了两个之前被漏掉的活性化合物。嗯，这就是干这行的价值所在。