📚 课程目录第1章 ADMET预测概述

1. ADMET预测概述：从概念到实战

大家好，我是这门课的主讲。咱们今天先聊点基础的，但基础不等于不重要。ADMET预测，说白了就是看一个药物分子在体内的「命运」。我做了这么多年计算化学，发现好多新人一上来就猛调模型，结果连ADMET这几个字母代表什么都说不清。这不行，今天的课就把地基打牢。

1.1 什么是ADMET？

ADMET是一个缩写，每个字母代表一个药物代谢动力学过程。不是随便拼起来的，它完整描述了一个化合物从进到身体到离开身体的全部旅程。

缩写	全称	中文	我的理解
A	Absorption	吸收	药物怎么进入血液循环
D	Distribution	分布	药物到了身体哪些部位
M	Metabolism	代谢	肝脏怎么改造这个分子
E	Excretion	排泄	药物怎么被排出体外
T	Toxicity	毒性	药物有没有副作用

核心要点：ADMET不是五个独立的指标，而是串联在一起的。吸收不好，后面全白搭。我在项目里见过一个分子体外活性极好，结果吸收率只有2%，说白了就是白费功夫。

1.2 为什么ADMET预测这么重要？

你可能要问：为什么不直接做实验？原因很简单——成本和成功率。

我2017年在一个CRO公司干活，那时候一个ADME实验套餐报价大概在5-10万美元。做10个化合物就是100万。而用计算模型预测，成本几乎为零。当然，模型不是万能的，但能帮你筛掉80%的无效候选，剩下那20%再进实验。

更有说服力的数据在这里：

临床失败原因中，ADMET问题占40%-60%。这是辉瑞和GSK的统计，我反复验证过，数字靠谱。
传统的先优化活性，再看ADMET，成功率极低。我建议把ADMET预测前移到筛选阶段早期。
AI模型预测的准确率现在已经达到70%-85%，部分指标（如Caco-2渗透性）甚至超过实验重复性。

我个人习惯：每次项目开始前，先拉一个ADMET预测基线。哪怕只花半小时跑几个模型，也能省下后面几个月绕弯子的时间。

1.3 应用场景：你会在哪里用到它？

这活儿覆盖面很广。我总结成四个主要场景：

早期苗头化合物筛选——从百万级虚拟库中快速排除有明显ADMET缺陷的分子。
先导化合物优化——指导化学家修改结构，提高某一项ADMET性质，同时不破坏活性。
预测临床剂量——结合PK/PD模型，预估人体有效剂量。
药物安全性评价——预测hERG毒性、肝毒性等关键风险，避免后期翻车。

嗯，这里有一个避坑指南。我曾经遇到过一个团队，用ADMET预测来选最终的临床候选化合物。他们只看预测分数，分数高的就直接推进了。结果呢？那个分子在体内代谢太快，半衰期不到两小时，根本没法用。预测是用来指导方向，不是拍板的。最终决策必须结合实验数据。

1.4 常用数据库：你的数据从哪来？

做预测模型，数据质量决定模型上限。我手头常用的数据库有这么几个：

数据库	数据类型	规模	访问方式
PubChem	生物活性、毒性	1.1亿+化合物	Web / API / 批量下载
ChEMBL	药物靶标活性、ADME	200万+化合物	Web / API / 本地镜像
DrugBank	已上市药物数据	1.5万+药物	学术免费 / 商业付费
ADMETlab 2.0	综合ADMET预测	在线平台	Web / REST API
Tox21 / ToxCast	毒性数据	1万+化合物	批量下载（CSV/SDF）

举个例子，我在做hERG毒性预测时，经常先从ChEMBL下载已知的hERG活性数据。命令大概是这样的：

# 从ChEMBL下载hERG活性数据（伪代码示例）
curl -X POST "https://www.ebi.ac.uk/chembl/api/data/activity" \
  -H "Content-Type: application/json" \
  -d '{
    "target_chembl_id": "CHEMBL240",
    "standard_type": "IC50",
    "limit": 10000
  }' > herg_activities.json

PubChem虽然数据量大，但需要好好清洗。我曾经踩过坑：PubChem里同一个化合物有多条冲突的记录，比如一个实验说它无毒性，另一个说剧毒。你没仔细看，一股脑全扔进模型里，训练出来的预测效果自然一塌糊涂。

注意：很多公开数据库的ADMET数据是稀疏的。一个化合物可能只有logD和溶解度数据，没有代谢稳定性数据。用这些数据训练模型时，必须处理好缺失值。我建议至少保留1000个以上的有效数据点再开始建模，否则纯属找罪受。

1.5 ADMET预测的全景图

下面这张SVG图，是我总结的ADMET预测在药物研发管线中的位置和逻辑。它帮你一次性看清整体流程。

你看这图：从苗头化合物发现开始，到早期ADMET筛选，再到先导优化、候选选定、临床前验证，最后进入临床。ADMET预测不是孤立的一步，而是贯穿始终的。早期筛选时模型派上用场，临床前验证时实验数据再校正模型，形成正反馈循环。

核心观点：ADMET预测不是替代实验，而是让实验更聪明。用模型筛掉明显不行的，把宝贵的验证资源留给真正有潜力的分子。我做了七八年ADMET模型，这个原则从来没变过。

好了，第一章的内容就到这。ADMET的概念、价值、应用场景和常用数据源已经讲清楚。后面我们会开始动手搭建预测模型，先别急，地基打牢了才能盖高楼。