4. ADMET 数据特点与常见挑战归纳总结

好，咱们把数据拿到手了，也大致看了看长什么样。

但别急着往上套 PCA 模型。做 ADMET 预测，首先得搞清楚一个核心问题：这批数据到底有多“难搞”？

我做了这么多年药物化学和数据分析，坦白讲，ADMET 数据是所有分子数据里最让人头疼的。它不像理化性质数据那么规整，也不像活性数据那么容易解释。你看我接下来列出的这几个特点，基本上每一个都踩过坑。

4.1 ADMET 数据四大特点

先说数据特点。你想想看，几百几千个分子描述符，加上多个 ADMET 终点，是什么概念？

• 高维度与小样本（High Dimension, Low Sample Size）：说白了就是个“高维小样本”问题。分子描述符动辄上千维（比如 Morgan 指纹、RDKit 描述符），但实测的 ADMET 数据点可能就几百个。我个人习惯是先做一次粗筛，否则 PCA 的协方差矩阵都可能算不出来。
• 稀疏性（Sparsity）：大部分分子对大部分 ADMET 终点是没有标注的。比如一个化合物有 Caco-2 数据，但没测过 hERG。这种稀疏矩阵做 PCA 时，缺失值处理稍有不慎，结果就偏了。
• 异质性（Heterogeneity）：数据来源五花八门。有高通量筛选的（噪声大），有实验室精确测的（量少但准），还有文献里扒的（单位都未必统一）。我在项目中遇到过同一批分子，两个实验室的肝微粒体清除率差了 3 倍，这种异质性直接会拉偏主成分。
• 多重共线性与冗余（Multi-collinearity & Redundancy）：分子描述符之间本来就是相关的。比如 logP 和分子极性表面积（TPSA）强相关，分子量和分子折射率也相关。PCA 本质上是降维去冗余，但如果冗余数据本身就有噪声，第一主成分很可能只是个“噪声放大器”。

4.2 三大常见挑战：踩坑实录

光有特点还不够，咱们得聊聊实战中的挑战。说白了，这三个坑我当年都踩过。

挑战一：标注偏差（Label Bias）

为什么说标注偏差是大问题？因为 ADMET 数据的金标准往往是“有或无”或者“活性/非活性”。但不同课题组对“活性”的阈值定义不同。
比如 hERG 抑制，有人用 IC50 < 1 μM 算阳性，有人用 < 10 μM。这种二分类阈值的不一致，直接导致数据集的分布偏移。做 PCA 时，这种偏差会混进方差里，你根本分辨不出哪个维度是真实的化学空间差异，哪个是定义差异。

挑战二：批效应（Batch Effect）

这个问题在工业界太常见了。同一台仪器，不同时间测的板子（Plate），结果就是有系统性差异。哪怕细胞批次不同，代谢稳定性数据都会飘。

• 表现：PCA 打点时，不同批次的数据自动聚成几个独立的簇，且跟化学结构无关。
• 诊断：用颜色标记批次，看 PCA 得分图。
• 怎么办：先做批量校正（比如 Combat 算法），再跑 PCA。

挑战三：类别极度不平衡（Extreme Imbalance）

拿毒性数据举例。真正有强毒性（比如 Ames 试验阳性）的分子其实很少，可能只有 5%-10%。剩下的都是无毒的。这种时候，PCA 如果只做无监督降维，它根本看不到“毒性特征”的方差，因为少数类的方差被多数类淹没了。

# 以 Ames 数据为例，极不平衡下的 PCA 警告
# 如果你在二维 PCA 图上强行画决策边界，基本没用。
# 因为 PC1 和 PC2 解释的都是非毒性相关的结构差异。
# 正确的做法是先做数据平衡（如 downsampling 或 SMOTE），
# 或者直接做 supervised PCA（利用标签指导成分提取）。

4.3 实战案例：一个药物 ADMET 数据清洗案例

理论讲完了，咱们看个我当年做过的实际案例。

那是一个含有 5000 个化合物、12 个 ADMET 终点（包括 Caco-2, hERG, CYP, 血浆蛋白结合率等）的数据集。上来就做 PCA 会怎么样？

# 原始数据直接 PCA（错误示范）
from sklearn.decomposition import PCA
import pandas as pd

df_raw = pd.read_csv("admet_raw.csv")  # 包含缺失值、噪声
pca = PCA(n_components=2)
# 这里省略缺失值处理，直接填充均值
result = pca.fit_transform(df_raw.fillna(df_raw.mean()))
print(result)  
# 结果：PC1 几乎全由血浆蛋白结合率贡献
# 原因是这个终点方差极大，其他终点被淹没了。

正确的质控流程应该是这样的：

1. 缺失值诊断：每个终点的缺失率多少？如果某个终点缺失 > 80%，我建议直接删掉这列，否则插补出来的方差全是假的。
2. 异常值阈值：比如清除率数据，Clint 如果大于 300 μL/min/mg，大概率是实验误差。先做 Winsorize 缩尾，再归一化。
3. 分层缩放：不同 ADMET 终点的量纲不一样（logD 是 0-5，Caco-2 是 0-100）。必须做 Z-score 标准化，而且我习惯按终点分组做标准化，而不是全局标准化。

4.4 本章知识体系：一张图搞清楚

下面这张 SVG 图，展示了我刚才说的整个 ADMET 数据挑战与质控流程。你把这个流程背下来，后面分析的时候就能快速定位问题。

4.5 数据质量分档表

最后给一张我常用的数据质量分级标准。新手老手都适用，你可以在项目实施前根据这张表给数据打个分。

质量等级	标准	PCA 适用性
A 级（高质）	缺失率 < 10%，无显著批效应，阈值统一	直接做，效果很好
B 级（待处理）	缺失率 10%-40%，有少量异常值	需清洗/插补后使用
C 级（危险）	缺失率 > 40%，或者维度严重超标	建议放弃该终点，或做特征选择
D 级（不可用）	标注矛盾（同一分子正负标签冲突）	PCA 结果不可信，先修复数据源