ADMET预测概述：药物研发中的指路牌与绊脚石

做药物计算这么多年，我碰过好几个项目，前期分子设计得漂漂亮亮，虚拟筛选跑得热热闹闹，可一到实际合成和动物实验，结果就垮了。为什么？说白了，就是ADMET这关没把好。

你想想看，一个候选分子就算活性再好，如果吸收差、代谢快、或者毒性高，它在临床上照样走不远。ADMET就是帮我们提前看清这些路况的。今天这章，我想跟你聊聊ADMET预测到底在做什么，以及那个让人头疼的批次效应是怎么回事。

1.1 ADMET预测是什么？——药物研发的指路牌

ADMET是五个词的缩写：

• Absorption（吸收）—— 药能不能进到血液里？
• Distribution（分布）—— 药能不能跑到病灶部位？
• Metabolism（代谢）—— 药会不会被身体太快分解？
• Excretion（排泄）—— 药怎么排出去？
• Toxicity（毒性）—— 药有没有安全风险？

我习惯把ADMET预测比作药物研发的早期路况扫描仪。没有它，你只能闷头往前冲，最后撞上墙才知道疼。有了它，至少能避开那些明显的大坑。

这里有一个简单的对比，让你看清ADMET各属性的影响：

属性	关注的核心问题	预测不准的后果	我碰过的真实案例
吸收	口服生物利用度	临床发现药效不佳	有个项目预测吸收很好，实际F值不到5%
分布	组织穿透力	靶点浓度不足	设计靶向大脑的药，分布预测完全偏离
代谢	半衰期、清除率	给药方案失败	代谢预测不准，导致一天需要吃三次药
排泄	消除途径	药物蓄积风险	预测是肾排，结果主要走肝胆，剂量直接推倒重来
毒性	安全性边界	临床试验叫停	hERG预测误差导致先导化合物全盘更换

1.2 ADMET预测在药物研发中的重要性

很多人觉得ADMET预测就是个“筛子”，把不好的分子筛掉就行了。其实它的作用远不止这些。

我记得有一个项目，研发团队花了半年优化一个激酶抑制剂的活性，IC50做到了皮摩尔级别。团队很兴奋，直接推进到体内实验。结果呢？药代动力学一塌糊涂，口服后血药浓度几乎为零。你看，如果早点做吸收预测，这个坑完全可以避免。

ADMET预测真正的价值在于：

1. 降低晚期失败率—— 临床前就发现致命缺陷
2. 节省时间和经费—— 不用浪费在注定失败的分子上
3. 指导化合物优化—— 告诉你哪个位置改结构能改善吸收或降低毒性

有统计说，超过40%的临床候选药物因为ADMET问题被淘汰。你别小看这个数字，它背后是动辄上亿美元的研发投入。所以我一直跟团队说：ADMET不是事后诸葛亮，而是事前智多星。

1.3 批次效应——为什么模型训练完就不准了？

好，现在聊重点。你肯定遇到过这种情况：用公开数据集训练的ADMET模型，在自己数据上跑出来结果惨不忍睹。而且不同批次的实验数据，预测结果波动特别大。这就是批次效应。

说白了，批次效应就是：

• 不同实验室、不同仪器、不同时间测出来的数据不一致
• 这种不一致不是真实的化学差异，而是测量偏差
• 模型学到的不是“药物性质”，而是“哪个批次的数据长什么样”

举个例子——这是我一个真实的项目经历：

[Batch A - 实验室X] logD: 2.34 ± 0.05
[Batch B - 实验室Y] logD: 2.78 ± 0.04
[Batch C - 实验室Z] logD: 2.12 ± 0.06

同样的化合物，三次测量，logD差了0.66个单位
模型训练在Batch A上R²=0.85，测试在Batch C上R²=0.31

为什么会这样？我总结了几条：

1. 实验条件不同—— 温度、pH、溶剂批次、仪器型号都有差异
2. 数据清洗不一致—— 不同团队做数据清洗时的标准不同
3. 时间漂移—— 同一个实验室，半年后再测，结果也可能变

下面这张图总结了ADMET预测从数据到应用的整个流程，以及批次效应在其中扮演的“捣乱角色”：

看到这张图你应该明白了：批次效应不是小问题，它是从数据源头就引入的偏差。如果不做校正，模型学到的全是噪声。本课程后面会详细教你如何用参数调优来搞定它。

1.4 本课程能帮你解决什么

我设计这门课的初衷很简单：让你在实际项目中，不被批次效应坑到。不管你手里是公开数据集，还是自己实验室的历史数据，都能稳定做出可靠的ADMET预测。

记住这句话：预测模型的精度上限，不取决于算法有多高级，而取决于你数据里的批次偏差有多大。