ADMET 概述：新药研发的“隐形守门员”

做药物研发的同行应该都有体会：一个化合物活性再好，如果 ADMET 不过关，最后也是白搭。我自己最早接触这个领域的时候，就吃过一次亏——辛辛苦苦筛出一个纳摩尔级别的先导物，结果在大鼠体内代谢极快，半衰期不到 10 分钟。嗯，那时候我就明白了，ADMET 不是锦上添花，它是药物能否成药的核心关卡。

什么是 ADMET？每个字母都在“挑刺”

咱们一个一个拆开看，每个环节都对应一个具体的评估维度。

维度	全称	通俗解释	我在项目中踩过的坑
A	Absorption 吸收	药物能不能从给药部位进入血液循环	有个口服候选物，体外渗透性极好，一上大鼠肠灌流，发现它被 P-gp 外排得干干净净
D	Distribution 分布	药物在体内各组织器官的分布情况	曾经一个化合物血浆蛋白结合率 > 99%，游离浓度太低，靶点根本够不着
M	Metabolism 代谢	药物被肝脏等器官代谢的程度和速度	一个 CYP3A4 底物，代谢太快，不得不换成前药策略才保住活性
E	Excretion 排泄	药物及其代谢物从体内排出的途径和速率	有个候选物胆排泄快得离谱，胆汁分泌后又被重吸收，形成肝肠循环，半衰期反而拉长了——好事？后来发现毒性也随之累积
T	Toxicity 毒性	药物对机体产生的有害作用	我最怕看到 hERG 抑制——很多项目都死在这上面，改结构都救不回来

为什么说它们是“守门员”？因为一个化合物就算活性 IC₅₀ 达到皮摩尔级别，只要其中任意一项不合格，就很难进入临床试验。说白了，ADMET 是一套严格的准入机制。

ADMET 在药物研发流程中的位置

传统研发思路是先找活性，再评估 ADMET。但你会发现，这种后置模式成本极高——花了大量资源优化活性，结果倒在 ADMET 上，一切归零。

我记得 2013 年参与过一个激酶抑制剂项目，团队花了两年优化选择性，进入临床前 ADMET 评估才发现，该化合物在狗体内会诱发 QT 间期延长。当时的解决思路是大幅调整核心骨架，等于重新来过。从那以后，我个人的习惯变成了：做活性的同时，把关键的 ADMET 指标纳入早期筛选，哪怕只是粗略的物理化学性质估算，也能避免很多弯路。

下面这张图展示了 ADMET 在整个药物研发链条中的介入时机和与各环节的关系。你可以清晰地看到：ADMET 评估并非只在最后出现，而是从苗头化合物筛选到临床前优化持续贯穿。

ADMET 失败的“教科书级”案例

我想和你分享两个真实案例，它们几乎出现在每一本药物化学教材里。了解这些失败，能让你对 ADMET 的壁垒有更直观的感受。

• 沙利度胺（反应停）——虽然它的毒性机制后来被证明与手性代谢物有关，但本质上是缺乏对代谢物毒性的评估。当时没有预测到右旋体在体内会转化为致畸的代谢产物。直接用一句话概括：代谢稳定性评估不足，导致灾难。
• 西立伐他汀（拜斯亭）——这个他汀类降脂药因为肌肉毒性（横纹肌溶解）被撤市。事后分析发现，它的亲脂性偏高，容易分布到肌肉组织，加上同时抑制多个 CYP 酶，导致血药浓度异常升高。说白了就是 分布和代谢两关都没守住。

这两个案例给我的教训是：千万不要迷信体外单点活性，一定要在早期就带上“ADMET 扫描仪”。

当下 ADMET 预测的技术手段

现在我们已经不用等 wet-lab 数据全部做完再判断了。计算机辅助的预测方法越来越成熟。

1. 基于物理化学性质的计算：LogP、分子量、氢键供体/受体等——用 Lipinski 规则、Verber 规则等做快速过滤。
2. 机器学习/深度学习模型：利用大量已知 ADMET 数据训练预测模型，比如用随机森林预测 Caco-2 渗透性，或用图神经网络预测 hERG 抑制风险。
3. 分子描述符 + 降维分析：这正是本课程要深入讲的内容。分子有成千上万个特征，如何用主成分分析（PCA）、t-SNE、UMAP 等方法提取有效信息？我们会在后续章节手把手带你实操 Python 代码。

为什么降维分析在 ADMET 中特别重要

你可能会问：这么多描述符，直接扔给机器学习不就行了？为什么要降维？

嗯，这里有个实际问题。分子描述符动辄几百上千个，其中很多是高度相关的。比如分子量、摩尔折射度、极性表面积之间就有很强的关联。直接拿去建模，容易出现过拟合，而且模型解释性极差。我最初做 QSAR 模型时就犯过这个错误——模型内部测试 R² 0.98，一换到外部验证集就成了 0.45。

降维就是为了解决这个矛盾：保留有效变异，去除冗余噪声。同时也是可视化分析的基础——你可以在二维或三维空间里直观看到化合物的分布，发现活性与毒性之间的边界。

本课程会从分子描述符的生成开始，逐一介绍 PCA、t-SNE、UMAP、自编码器等方法，并结合实际 ADMET 数据集做完整实战。我希望你能通过这门课建立一种直觉：降维不是预处理，它是你对数据的一次深度访谈。