课程目标与前置知识

我们为什么要学这门课？

ADMET 这个词，懂点药物设计的同学都不陌生——吸收、分布、代谢、排泄、毒性。说白了，分子能不能成药，不光看活性，还要看它在体内“活”得怎么样。我个人习惯把 ADMET 描述符比作分子的体检报告：溶解度、logP、pKa、渗透性……每一项都是关键指标。

但问题来了：从不同平台、不同版本的工具算出来的描述符，结果往往对不上。比如你用 RDKit 算的 logP 和用 OpenBabel 算的，差 0.5 个 log 单位都很常见。这时候你信哪个？

一致性校验就是为了解决这个“打架”的问题。我早期做虚拟筛选时，就因为没做校验，用了一个偏大的溶解度值，结果后续合成出来的化合物全沉淀了——嗯，那批实验白做，很惨。所以这门课的核心目标，就是帮你建立起一套可复用的校验流程，让你能快速发现不一致、定位原因、统一描述符口径。

你需要具备哪些前置技能？

我建议你至少得能写点 Python，不然后面的自动化脚本跑不起来。下面列了份清单，你对照看看：

import pandas as pd
from rdkit import Chem
from rdkit.Chem import Descriptors
print("Pandas:", pd.__version__)
print("RDKit:", Chem.RdkitVersion)
mol = Chem.MolFromSmiles("c1ccccc1")
logP = Descriptors.MolLogP(mol)
print("logP 测试:", logP)

我踩过的一些坑

• 版本不一致。 我以前接手过一个项目，RDKit 2019 算的 TPSA 和 2023 版的差了 2.3 Ų。查了半天才发现是原子类型定义更新了。所以建议统一版本，或在结果里标注工具版本。
• 默认参数陷阱。 有的描述符计算函数有隐藏参数。比如 pH 默认是 7.4 还是 7.0？不写清楚，别人复现不了。
• 浮点数比较。 直接 `if a == b` 判断一致，99% 会翻车。一定要用容差比较，比如 abs(a-b) < 1e-6。
• 分子输入格式。 SMILES 和 SDF 读出来的描述符可能差一点点，因为二维构象不一样。我建议统一用规范 SMILES 作为输入。

本章知识体系

下面这张图把一致性校验的整个流程串起来了。你先有个全局概念，后续各章会逐个拆解。

一句话总结

学完这门课，你将拥有一套能直接复用的 Python 流水线：从读结构文件到输出一致性报告，全自动。但我得先确认一件事——你当前的 Python 环境能跑通上面的自检脚本吗？如果不能，先把环境配好，然后我们再往下走。