课程介绍：ADMET数据与批次效应概述
做药物研发的朋友都知道，光看活性远远不够。我刚开始接触药化项目那会儿，花了好几个月筛出一批候选分子，结果一到动物实验全翻了车——要么毒性超标，要么代谢太快。说白了，ADMET 才是决定一个分子能不能走到临床的关键关卡。
什么是ADMET？
ADMET 是五个词的缩写，我习惯按顺序来理解：
| 缩写 | 全称 | 白话解释 |
|---|---|---|
| A | Absorption | 药物能不能被吸收到血液里 |
| D | Distribution | 药物在体内能不能到对的地方 |
| M | Metabolism | 肝脏会不会把它代谢掉 |
| E | Excretion | 药物最后怎么排出去 |
| T | Toxicity | 它会不会毒到正常细胞 |
这五个维度，任何一个出问题，分子基本就废了。我记得有一次项目组就是因为忽略了代谢稳定性，结果花了三百万做的毒理实验全部白费。嗯，从那以后我再也不小看ADMET数据了。
数据是怎么来的？批次效应又是什么？
现实中的ADMET数据，往往来自不同的实验批次。比如：
- 周一做的Caco-2渗透实验，和周三做的同一板分子
- 北京实验室测的肝微粒体半衰期，和上海实验室的数据
- 不同仪器、不同试剂批次、不同操作员
这些因素都会引入非生物学的噪声。我叫它「批次效应」——不等于实验错误，而是一种系统性的偏移。你看下面这张图就明白了：
你有没有遇到过这种情况：同一个化合物，在批次A里Caco-2渗透值是5×10⁻⁶ cm/s，在批次B里测出来只有1.5×10⁻⁶？其实化合物没变，变的是实验条件。这就是典型的批次效应。
为什么不能无视它？
我来说个真实经历。几年前我帮一个团队做ADMET模型，他们从三个供应商拿了数据直接合起来训练随机森林。结果模型在测试集上表现很好，但一放到新化合物上就崩了。来回查了两个月，最后发现——所谓的高准确率，其实是模型学到了批次标签，而不是真实的ADMET规律。说白了，这模型是一个「批次识别器」，不是「预测器」。
警告：直接混合不同批次的ADMET数据做机器学习，会导致严重的过拟合。模型可能记住的是哪个数据来自哪个批次，而不是分子本身的属性。
ComBat 是什么来头？
ComBat 全名 Combatting Batch Effects，本来是基因组学里对付批次效应的利器。后来我试着把它移植到ADMET数据上，效果出乎意料地好。它的核心思想很简单：
- 假设批次效应是可加性 + 可乘性的
- 用贝叶斯框架估计每个批次的均值和方差偏移
- 把偏移从原始数据里减掉，保留生物相关的信号
你想想看，这和「把不同相机拍的照片统一白平衡」差不多一个道理。
使用 ComBat 之前需要什么？
| 条件 | 说明 |
|---|---|
| 已知批次标签 | 每个样本属于哪个实验批次必须明确 |
| 至少有2个批次 | ComBat 需要跨批次估计参数 |
| 每个批次有多个样本 | 推荐每个批次至少5~10个样本 |
| 测量值应为连续变量 | 比如渗透率、半衰期、IC50，而非分类变量 |
小提示：如果某些ADMET指标是分类（比如“高/中/低”），可以先做排序转换成数值，再使用ComBat。但最好还是用原始连续值。
一个简单的数据预览
假设我们有一个 CSV 文件，里面记录了几种化合物的 Caco-2 渗透率。我习惯先看原始分布的散点图，确认有没有明显的批次偏移。
# 数据长这样（示例）
Compound, Batch, Caco2_Permeability
MolA, Batch1, 3.2e-06
MolA, Batch2, 1.1e-06
MolB, Batch1, 8.5e-07
MolB, Batch2, 2.3e-07
...你看 MolA 在两个批次里差了近 3 倍。如果是批次B的试剂放久了或者pH有问题，那这个差异就是噪声，不是真正的理化性质。
本课程能给你什么？
- 从头理解批次效应的数学本质
- 亲手在 Python 里运行 ComBat 校正
- 学会评估校正效果（可视化 + 统计指标）
- 避开我踩过的那些坑（特别是参数调优部分）
核心思想：ComBat 不是万能钥匙，但在处理多批次的ADMET连续数据时，它比简单均一化要可靠得多。我会带你一步步看懂它到底做了什么，以及什么时候不该用。
好，第一章就是铺垫到这里。记住：认清批次效应，是做好ADMET数据预处理的第一步。后面我们会真正上手写代码，调参数，看效果。到时你会发现——原来数据里的假象可以被轻松揭穿。