机器学习在ADMET预测中的角色：从传统方法到深度学习

大家好，我是老赵，做ADMET预测这行快十年了。今天咱们聊聊机器学习在这个领域到底扮演什么角色，以及从传统方法到深度学习，这条路是怎么走过来的。

为什么ADMET预测需要机器学习？

传统上，药物研发里评估ADMET靠的是实验。体外实验、动物实验，周期长、成本高。我早年在一个项目里，花了八个月合成了一百多个化合物，送去做hERG测试——结果只有三个过线。那感觉，说白了就是「白干了」。从那以后，我开始认真思考：能不能用计算模型提前筛掉那些明显有问题的分子？

后来我逐渐意识到，ADMET性质本质上是一种从分子结构到生物活性的映射。而这个映射，恰恰是机器学习擅长的事。你给它一堆分子描述符和对应的实验数据，它能自己学会规律。

传统机器学习方法：经典但有效

早期我们用的就是随机森林、支持向量机、梯度提升树这些。它们的特点是：特征要人工设计，模型解释性好，数据量不大也能跑。

常用的传统模型有这些：

模型	优点	我在项目中踩过的坑
随机森林	鲁棒性强，自带特征重要性	超参数调优时n_estimators设太大，训练时间翻倍，效果没提升
SVM	适合小样本，核技巧灵活	曾经对Caco-2数据用RBF核，结果过拟合——R²从0.85掉到0.62，交叉验证才暴露问题
XGBoost	能力强，支持缺失值	早期版本不支持GPU，六十万化合物训练了三天三夜，后来换成LightGBM才活过来
朴素贝叶斯	计算超快，适合初步筛选	遇到特征强相关时效果极差，比如Morgan指纹和MACCS指纹一起用，反倒降低了AUC

传统方法的局限很明显：你得手工设计描述符。比如脂溶性用logP，分子量用MW。但有些ADMET性质跟分子形状、电子分布相关，手工特征很难刻画全。

深度学习的崛起：自动特征工程

2017年之后，深度学习开始在ADMET预测中爆发。核心优势是什么？自动从分子结构学习表征。你不用再绞尽脑汁设计特征，给模型一个SMILES字符串或者分子图，它自己就能提取出有用信息。

主流深度学习架构：

• 图神经网络（GNN）：把原子当节点，键当边，做消息传递。对分子结构天然匹配。
• 分子图Transformer：引入注意力机制，能捕捉长程相互作用，比如蛋白-配体间的疏水接触。
• SMILES-RNN/LSTM：把分子当成文本序列，用循环神经网络建模。简单直接，但容易遗忘全局拓扑。
• 3D卷积网络：将分子叠到格点上，输入三维CNN。适合处理结合口袋预测。

不过深度学习也不是万能药。对一个只有500个样本的数据集，直接上DeepMind那种大模型会直接崩掉——我试过，验证集AUC只有0.61，还不如随机森林的0.82。所以数据量跟模型复杂度要匹配，这是基本原则。

传统方法与深度学习的对比

维度	传统ML	深度学习
特征工程	需要专家设计描述符	自动学习表征
数据量需求	几百到几千样本即可	通常需要上万样本
可解释性	特征重要性、SHAP值清晰	较难，GNNExplainer等工具尚不成熟
计算开销	CPU分钟级	GPU小时级
代表性模型	RF、XGBoost、SVM	GCN、MPNN、Attention
我的推荐场景	中小数据集，需要快速迭代	大数据集，追求SOTA精度

我经常跟团队说：「不要盲目追新技术」。关键看你的数据规模和任务类型。举个例子，预测logD（油水分配系数），用传统方法加上几个简单描述符就能做到R²=0.9以上，性价比极高。反倒是用复杂的GNN，计算量上去了，精度才提高零点零几——不值当。

从传统到深度学习：一个统一的视角

下面这张图展示了机器学习在ADMET预测中扮演的角色，以及传统方法与深度学习的统一流程：

说白了，无论是传统ML还是深度学习，做的都是同一件事：从结构到性质的映射。只是特征工程的主体从人变成了网络。你想想看，这在ADMET领域意味着什么？意味着我们可以用更大规模的数据、更复杂的结构信息来建模，那些以前没法用描述符表达的性质（比如代谢稳定性、血浆蛋白结合率）现在有了被预测的可能。

避坑指南：我走过的弯路

另一个常见坑是特征泄露。比如你同时用了描述符和指纹，但描述符里包含了logP，而logP本身又是一个关键ADMET属性——你要是用它去预测CLogP，那就是作弊。我有一年做过一个CYP2D6抑制模型，用了MolLogP作为特征，结果模型AUC达到0.96，我兴奋得不得了，后来才发现MolLogP本身就是用实验测的logP计算出来的，跟我预测的目标有共线性。交叉验证里因为数据划分随机，这种泄露很难发现，只有事后筛查特征相关性才暴露。嗯，这个教训让我后来养成了特征独立性的检查习惯。

小结与实践建议

从我的角度来看，机器学习的角色就是辅助决策、加速筛选、降低成本。说到具体落地，我建议大家这样选型：

1. 数据量小于1000：直接上传统模型，比如随机森林或XGBoost。配合ECFP或MACCS指纹，效果就很好。
2. 数据量1000～10000：可以尝试简单的GNN或LSTM，但要配合预训练。也可以继续用传统方法，会非常稳健。
3. 数据量大于10000：深度学习的优势出来了。考虑用图神经网络或者分子Transformer，但注意数据质量和标签噪声。
4. 始终做交叉验证：下一章我会详细讲，但这里提前说一句——不管用什么模型，没有交叉验证的ADMET预测都是耍流氓。我见过太多论文里不交叉验证、直接训练集测试集拆分，结果在外部验证集上崩掉的案例。