1. ADMET 概述与重要性：药物研发中 ADMET 的角色、批次效应问题的由来
各位同学，今天咱们正式开始聊 ADMET 批次效应这个话题。我先说句实话——这个主题，在药化圈里真正重视的人其实不多。很多人觉得 ADMET 嘛，就是跑个实验、填个表格，能有多大事？
但我在项目里吃过亏。有一次，一个候选分子体外数据漂亮得不得了，换了个批次测毒性，结果直接翻车。我当时才意识到——批次效应，是个隐形杀手。
1.1 ADMET 到底是什么？
ADMET 是五个英文词的缩写：
- A（Absorption）——吸收。药物吃进去以后，能不能顺利进入血液循环。
- D（Distribution）——分布。药物在体内会跑去哪些器官和组织。
- M（Metabolism）——代谢。肝脏会不会把它快速分解掉。
- E（Excretion）——排泄。药物最终怎么离开身体，走肾还是走胆。
- T（Toxicity）——毒性。会不会伤肝、伤肾、伤心脏。
说白了，ADMET 就是回答一个核心问题：这药在人体里到底能不能安全有效地工作？
我个人习惯，把 ADMET 叫做「药物的第二张身份证」。活性再好的分子，ADMET 不过关，基本等于废纸一张。
1.2 为什么 ADMET 如此重要？
老药化人都知道一句行话：「候选化合物死因排行榜，ADMET 高居榜首。」
数据上怎么说的？我给大家一个真实的统计：
| 失败原因 | 占比（约） | 典型表现 |
|---|---|---|
| 毒性问题 | ~30% | 肝毒性、心脏毒性 |
| 药代动力学问题 | ~25% | 生物利用度低、代谢快 |
| 缺乏疗效 | ~20% | 靶点脱靶、给药剂量不足 |
| 临床实验设计 | ~15% | 剂量爬坡偏差 |
看到了吗？ADMET 相关的问题加起来超过了 50%。我经常跟团队讲：你筛活性筛得再准，ADMET 不过关，等于白干。
1.3 ADMET 在药物研发流程中的位置
你要搞清楚 ADMET 在什么阶段介入。它不是一个独立的「最后检查」，而是贯穿始终的：
- 早期发现阶段：用计算模型初筛，排除明显的问题骨架。
- 先导化合物优化：针对不理想的 ADMET 特性做结构修饰。
- 临床前阶段：做正式的体外和体内 ADMET 实验，写安全性报告。
- 临床阶段：在人体中继续监控 ADMET 数据。
你想想看，如果等到临床前才发现问题，那前面花的几年时间就全浪费了。所以，我的经验是——ADMET 越早介入越好。
1.4 批次效应问题的由来
好，现在咱们聊聊批次效应到底是怎么回事。
先给个定义：批次效应（Batch Effect）指的是，由于不同批次样品在制备、储存、测试等环节的非目标性差异，造成测量结果出现系统性偏差的现象。
听起来有点绕是吧？我举个例子你就明白了。
我曾经接手一个项目，同一个化合物的两批样品，送去测同一个 Caco-2 渗透性实验，结果一批 Papp 值 8.3×10⁻⁶ cm/s，另一批只有 3.1×10⁻⁶ cm/s。差了快三倍！后来排查发现，第一批的样品在 DMSO 里放了太久了，化合物降解了。这就是典型的批次效应。
批次效应的主要来源，我归纳了一下：
| 来源分类 | 具体表现 | 常见场景 |
|---|---|---|
| 化合物批次差异 | 纯度不同、残留溶剂不同、结晶形态不同 | 化学合成放大时最常见 |
| 生物试剂批次差异 | 细胞状态变化、血清批次不同、酶活性漂移 | 体外 ADMET 实验像 Caco-2、肝微粒体 |
| 实验条件差异 | 温度变化、pH 漂移、仪器校准不一致 | 长期项目、跨实验室合作 |
| 操作人员差异 | 加样手法、解冻时间、孵育时长 | 手工操作多的实验 |
你仔细看看这些来源。它们有一个共同点：看似「不小心」的细节，却能显著改变 ADMET 数据。而且，这些差异很多时候不是肉眼能看出来的——比如细胞状态，你做实验的时候觉得没问题，实际上已经变了。
1.5 批次效应的后果有多大？
我说几个实实在在的后果：
- 数据不可重复：同一个化合物，在不同批次实验里得到完全不同的结论，项目没法推进。
- 误导结构优化方向：如果因为批次效应把一个「假阳性」结果当真，你会在错误的骨架方向浪费好几个月。
- 延误项目进度：发现问题后需要重新测试、重新分析，时间成本非常高。
- 浪费资源：动物实验尤其贵，一次体内实验因为批次效应翻车，几万块打水漂。
我这里要特别提醒：批次效应在跨实验室、跨机构合作中尤其致命。我曾经参与过一个多中心项目，两个实验室测同一批化合物的渗透性，结果一个说「高渗透」，一个说「中等渗透」。双方拿着各自的数据扯了三个月，最后才发现是用不同的 PAMPA 板子导致的。
1.6 批次效应 vs. 正常变异——怎么区分？
有些人可能会问：实验本来就有随机误差，怎么知道是不是批次效应？
好问题。我一般看三点：
- 系统性偏移：正常变异是随机分布的，左右上下都有。批次效应是整体往一个方向偏。
- 跨实验一致性：如果 Caco-2、PAMPA、肝微粒体三个实验同时出现异常，那大概率不是偶然误差。
- 时间序列：按照实验时间画个图，如果发现某一段时间出的数据集体异常，基本就是批次效应。
给你看一段我常用的检测脚本示例，用 R 语言的简单统计：
# 简易批次效应检测 R 代码
library(ggplot2)
# data 包含列：batch, value, experiment_date
ggplot(data, aes(x = experiment_date, y = value, color = batch)) +
geom_point() +
geom_smooth(method = "loess", se = FALSE) +
labs(title = "批次效应可视化：时间序列 + 批次标记")跑完这个图，你基本能一眼看出有没有系统漂移。这是我最常用的初筛方法。
1.7 为什么要把批次效应单独拿出来讲？
市面上讲 ADMET 的课不少，但几乎没有专门讲「批次效应」的。大家都默认数据是可靠的，批次之间没区别。但现实不是这样。
说白了，我见过太多人——包括我自己——因为不重视批次效应，栽了大跟头。这个课的目的很明确：让你少走弯路，少花冤枉钱。
记住一句话：好的 ADMET 数据，是控制了批次效应之后的数据。否则，你分析得再好，根基是歪的。
嗯，这一章先讲到这里。后面我们会深入讲批次效应的检测方法、数学建模、以及怎么在实际项目中规避它。