1. ADMET 概述：新药研发的守门员
各位做药物设计的同行，咱们开门见山。ADMET 这三个词，你肯定不陌生。但每次我问新来的同事，“你觉得自己设计的分子，活性挺好，最后能成药吗？”——十有八九会回答“不一定”。
为什么？因为活性只是敲门砖。ADMET 才是那个决定分子能不能走到临床的关键。说白了，就算你的分子在体外对靶点活性达到 pM 级，如果它吸收差、代谢快、或者毒性大，那它就是个实验室里的“花瓶项目”。
核心观点：ADMET 决定了化合物能走多远，而不是能飞多高。
1.1 ADMET 是什么？
咱们拆开来看：
- Absorption（吸收）—— 药物怎么进入血液
- Distribution（分布）—— 药物去身体哪些部位
- Metabolism（代谢）—— 药物怎么被改造或清除
- Excretion（排泄）—— 药物怎么离开身体
- Toxicity（毒性）—— 药物会不会伤到人
我习惯把这五个东西看成一张“通行证”。每个环节都合格，分子才能进入下一轮考验。有一次我在评估一个候选分子，活性数据漂亮得不得了，但一跑代谢稳定性模拟——嗯，半衰期不到十分钟。当时项目负责人还不太想放弃，我直接拿着数据说：“兄弟，这个到了体内就是见光死。”
1.2 ADMET 在新药研发中的重要性
你可能听过这句话：“Fail early, fail cheap.” 这是药企里的一句老话。早点把不行的分子淘汰掉，比等花了上千万再发现它不行要划算得多。
| ADMET 属性 | 对项目的影响 |
|---|---|
| 吸收差 | 口服无效，得改注射 |
| 代谢太快 | 需要一天吃好几次药 |
| 毒性风险高 | 临床阶段直接叫停 |
| 分布不当 | 到不了靶组织，等于白吃 |
我记得有一次复盘一个失败的临床项目。分子体外活性完美，肝微粒体代谢也还行，但一到体内，在大脑里蓄积了。结果中枢神经毒性，项目直接停了。事后我们做了回顾——其实早期吸收-分布模拟已经暗示过这个问题。可惜那时候没人重视 ADMET 预测，大家都盯着 IC50 看。
个人建议：在立项阶段就把 ADMET 预测加入筛选流程。别等到只有一个候选分子了才开始关心这些问题。
1.3 ADMET 预测的基本流程
咱们现在的 ADMET 预测，已经不是十年前那种靠简单规则或者经验判断的时代了。现在的方法基本走下面这条路：
- 获取分子结构—— 通常是 SMILES 或者 SDF
- 计算分子特征—— 分子量、logP、氢键供体/受体数、可旋转键数等
- 运行预测模型—— 用机器学习的模型算出各项 ADMET 属性的预测值
- 评估结果并决策—— 根据预测结果决定是推进还是淘汰
你想想看，这个流程最头疼的地方在哪里？不是模型本身，而是模型靠不靠谱。很多时候，一个模型在训练集上表现很好，但遇到了和训练集结构差异很大的分子——结果完全不可信。这就是为什么我专门做这个课程：外部验证。
注意：别迷信模型给你的漂亮数字。如果模型没经过严格的外部验证，那它在真实项目里的表现可能会让你很失望。我曾经就因为盲目相信一个内部模型的预测，浪费了三个月时间设计的一系列分子。
1.4 为什么外部验证是关键？
简单来说：内部验证（比如交叉验证）告诉你模型在已知数据上表现如何，而外部验证告诉你模型对未知分子的预测能力。做新药研发，你关心的永远是“这个新分子行不行”——所以外部验证才真正贴近应用场景。
咱们做这一行的，容易陷入一个误区：总想着模型准确率越高越好。但真实情况是，稍微牺牲一点内部准确率，换来的外部泛化能力——这才是项目需要的。
# 一个简单的例子：计算外部验证的 R²
from sklearn.metrics import r2_score
y_true = [0.8, 1.2, 3.5, 4.0]
y_pred = [0.9, 1.0, 3.8, 3.6]
r2 = r2_score(y_true, y_pred)
print("外部验证 R²:", r2)这个 R² 如果低于 0.6，我建议你重新考虑要不要用这个模型做项目决策。
1.5 本章知识框架
这张图画的就是咱们这一章要覆盖的东西。左上角是 ADMET 五大属性，右上角是它们在项目里为什么重要，右下角是预测的基本流程。而所有这些，最终都指向中间的核心——外部验证。
接下来的课程，咱们会深入外部验证的每一个细节：怎么设计外部测试集、用哪些指标来评估、如何避开常见坑、以及在真实项目中的完整案例。都是我在各个项目里摔过跟头换来的经验，希望你不用再走同样的弯路。