3. ADMET 预测在药物研发中的重要性
做药物研发的人都知道一句话：「成药性，三分活性，七分 ADMET。」这话听着糙，但理不糙。我入行头三年，亲手跟过四个项目，有三个都是活性数据漂亮得不行，结果倒在临床前毒理或者药代环节。那个时候我就在想——要是能早一点知道这些化合物的代谢稳定性和毒性风险，我们团队至少能省下两年时间。
今天这章，我就跟你聊聊 ADMET 预测到底为什么这么重要。我不是在讲书本上的大道理，而是想结合自己踩过的坑、看过的项目，把这件事掰开了说清楚。你想想看，一个化合物从几万个小分子里筛出来，走到临床要花多少钱？平均 10 到 20 亿美元。可结果呢——接近一半的候选药物最后因为 ADMET 问题被淘汰。这个比例，任何药物化学家看了都得倒吸一口凉气。
3.1 药物研发的「死亡之谷」
药物研发的失败率有多高？我直接给你一组数据：从 I 期临床到获批上市，平均成功率不到 10%。而在这 90% 的失败案例里，大约 40%~60% 要归因于 ADMET 相关问题——不是药效不够，而是身体不认这个化合物。
我自己就经历过一个典型的例子。当时我们团队优化了一轮又一轮，终于得到一个 IC₅₀ 在纳摩尔级别的先导化合物。体外活性、选择性、细胞实验全过了。结果一上大鼠药代实验，生物利用度只有 3%，半衰期不到 20 分钟。说白了，这个化合物在体内待不住，还没来得及到靶点就被代谢掉了。如果我们在更早的阶段用可靠的 ADMET 预测模型筛一下，可能根本不会把它推那么远。
我把常见临床失败原因整理了一下，你一看就明白：
| 失败原因 | 占比（Approx.） | 典型表现 |
|---|---|---|
| 药代动力学问题（吸收/代谢） | ~39% | 生物利用度低、半衰期短、代谢过快 |
| 毒性问题 | ~21% | 肝脏毒性、心脏毒性（hERG）、遗传毒性 |
| 缺乏疗效 | ~30% | 靶点结合不足、体内暴露量不够 |
| 其他（配方、安全性等） | ~10% | 溶解度差、制剂不稳定、免疫原性 |
看到没有？「药代动力学」和「毒性」两项加起来就占了 60% 左右。这还只是临床阶段的统计，如果算上临床前因为 ADMET 问题被砍掉的项目，比例只会更高。
3.2 ADMET 预测到底改变了什么
在没有成熟的 ADMET 预测工具之前，药物化学家做化合物优化基本靠「试错」。合成一批→测活性→看好不好→再合成一批。至于这个化合物进到体内会怎么样，经常要到动物实验甚至临床阶段才知道。这种模式的问题在哪里？你想想看——每往后推一个阶段，成本呈指数级增长。
我个人觉得，ADMET 预测带来最大的改变不是「预测得有多准」，而是它把决策节点往前移了。我习惯把它叫作「左移策略」——在化合物还处于虚拟筛选或刚合成出来的时候，就把吸收、分布、代谢、排泄、毒性风险过一遍。好的往前走，有风险的及早停。
我给你算一笔账，你就明白这个左移有多值了：
- 时间维度：传统模式从先导化合物到临床候选药物平均需要 5~7 年；结合早期 ADMET 预测，可以压缩到 2~3 年。
- 成本维度：在临床前淘汰一个化合物的成本是百万级；在临床 II 期淘汰一个候选药物的成本是千万甚至上亿级。早期筛掉 70% 的有问题分子，整个研发管线的烧钱速度明显下降。
- 成功率维度：有过早期 ADMET 评估的候选药物，I 期临床通过率可以提高 1.5~2 倍。
3.3 一个让我印象深刻的案例
说一个真事儿。几年前我参与过一个靶向激酶抑制剂的项目，体外活性非常好，选择性也不错。团队合成了一批化合物，挑了最亮的几个推进到大鼠 PK 实验。结果出来，所有人都傻了——其中一个化合物的血浆暴露量几乎为零。
后来一查原因，是这个化合物在肝脏里被 CYP3A4 快速代谢，生成了一堆没有活性的代谢产物。而且代谢产物的结构还带有反应性基团，有潜在的毒性风险。项目为此整整停滞了四个月，重新设计核心骨架。
回过头来看，如果当时我们有一套稳定可靠的 ADMET 预测模型——特别是代谢稳定性预测和反应性代谢产物预测——完全可以在合成之前就把这个风险识别出来。那次之后，我个人对 ADMET 预测的态度发生了一个转变：我不再把它当成「可有可无的参考」，而是把它放进了项目的必选项清单。
3.4 ADMET 预测的五个核心维度
为了让后面的讨论更顺畅，我这里快速过一下 ADMET 的五个维度。每个维度对应一个具体的药理学问题，也对应着预测模型需要关注的关键指标。
- 吸收：化合物能不能穿过肠道屏障进入血液循环？关键指标包括 Caco-2 渗透性、PAMPA、溶解度、转运蛋白底物风险。
- 分布：进入血液后能不能到达靶器官？看血浆蛋白结合率、表观分布容积、血脑屏障透过性。
- 代谢：在体内被代谢酶分解的速度和路径？重点关注 CYP 酶代谢稳定性、代谢物鉴定、反应性代谢物风险。
- 排泄：化合物及其代谢物怎么离开身体？主要看肾清除率、胆汁排泄、转运体介导的排泄。
- 毒性：会不会对身体造成损伤？常见预测项包括 hERG 抑制、AMES 遗传毒性、肝毒性、线粒体毒性。
下面这张图展示了 ADMET 预测在药物研发主流程中的位置，以及五个核心维度如何围绕它展开：
从图上你可以看到，ADMET 综合预测是连接「活性筛选」和「结构优化」的关键枢纽。五个维度各自独立又相互关联——比如代谢稳定性差的化合物，往往口服暴露量也不够；而代谢产物如果有反应性基团，又会带来毒性风险。一个好的 ADMET 预测模型，必须把这五个维度串联起来看，而不是孤立地做单点预测。
3.5 批次效应为什么值得关注
到这里你应该已经理解了，ADMET 预测在整个研发链条里扮演的是「风险过滤器」的角色。它的准确性直接决定了你筛掉的是「真有问题」的化合物，还是「被误杀」的好分子。
那问题来了——如果预测模型本身因为数据质量波动而不稳定呢？这就是我们在后续章节要重点讨论的「批次效应」。简单说，同一个化合物在不同批次的实验中测出来的 ADMET 数据可能差很大，这种变异会导致模型学出假关联，把好的化合物判成风险分子，或者把有毒的化合物放过去。
所以，当你了解了 ADMET 预测的重要性之后，下一个自然的问题就是：我们怎么保证预测模型的输入数据是稳定可靠的？批次效应就是横在这个问题面前最大的一块石头。接下来的章节，咱们就专门来拆解这块石头。