1. ADMET概述：药物研发中的ADMET属性定义及其重要性

各位同学，今天咱们正式开始聊ADMET预测。这个课叫《多任务学习同时预测多个ADMET属性》，但别急，咱们先把地基打牢。

ADMET是什么？说白了，就是药物在体内的四个关键过程加上一个风险指标。

我刚入行做药物研发的时候，带我的老师傅跟我说过一句话，我一直记着：“化合物筛选，活性是门票，ADMET是命。” 为什么这么说？你想想看，一个候选药活性很强，但身体吸收不了，或者被肝脏快速代谢掉了，再或者产生毒性，那前期所有投入都白费了。ADMET问题在临床阶段失败的比例非常高，是药物研发中最头疼的环节之一。

1.1 ADMET的定义

ADMET是五个单词的首字母缩写，分别代表：

• A (吸收) – 药物从给药部位进入血液循环的过程
• D (分布) – 药物在体内各组织器官的分布情况
• M (代谢) – 药物被机体化学修饰变化的过程
• E (排泄) – 药物及其代谢产物排出体外的过程
• T (毒性) – 药物对机体产生的有害作用

呃，这里补充一点。严格来说，ADME是经典药代动力学的四大支柱，加上毒性后，就成了药物研发中更完整的评价体系。我见过不少早期项目，ADME数据漂亮得很，结果一到毒性测试就出问题。所以T这个字母绝对不能少。

1.2 每个属性的关键特征

接下来，我结合自己踩过的坑，逐一给大家拆解。

1.2.1 吸收 (Absorption)

吸收，说白了就是药物能不能顺利进入血液循环。口服是最常见的给药方式，但胃肠道环境极其恶劣——低pH、酶解、肠壁首过效应…

评估吸收的经典指标包括：

• Caco-2细胞渗透性（体外模型）
• Papp（表观渗透系数）
• LogD（分配系数，影响膜穿透）

我曾经在一个项目里遇到一个化合物，活性极高，但Caco-2渗透性几乎为零。当时团队纠结了很久，后来发现是氢键供体太多，极性太大了。结构改了两轮才搞定吸收问题。

1.2.2 分布 (Distribution)

吸收进入血液后，药物要去哪？这就看分布了。分布受血浆蛋白结合率、组织亲和力、血脑屏障等因素影响。

核心参数：

• Vd（表观分布容积）
• 血浆蛋白结合率（例如与人血清白蛋白HSA的亲和力）
• 组织/血浆分配系数

这里有个常识：亲脂性高的药物分布容积一般较大，但也更容易富集在脂肪组织，可能导致长半衰期和蓄积毒性。

1.2.3 代谢 (Metabolism)

药物进入体内会被各种酶改造。肝脏是代谢主力，CYP450酶系（尤其是CYP3A4、CYP2D6等）几乎参与了大部分药物的代谢。

代谢研究的常见问题：

• 代谢稳定性（半衰期t1/2）
• 代谢产物有无活性或毒性
• 药物-药物相互作用风险（抑制或诱导CYP酶）

1.2.4 排泄 (Excretion)

代谢后的产物或者原药，总得离开身体吧。排泄途径包括：肾排泄（尿液）、胆汁排泄（粪便）、肺排泄（呼出）等。

关键参数：

• 肾清除率
• 胆汁排泄率
• 半衰期和清除率关系

嗯，这个环节容易被忽视。我自己有个习惯，在预测ADMET时，会把排泄途径作为必看项。有些化合物代谢产物毒性极强，如果排泄不彻底，就容易在体内蓄积，出大问题。

1.2.5 毒性 (Toxicity)

毒性评估包括：

• 肝毒性、肾毒性、心脏毒性（如hERG通道抑制）
• 遗传毒性（Ames试验）
• 急性毒性和慢性毒性

为什么把毒性放在ADMET里一起讲？因为ADME中的代谢如果产生有毒代谢物，就会引发毒性。早期的预测如果能提前预警肝毒性或hERG风险，可以省下大量后期经费。

1.3 ADMET在药物研发中的重要性

我讲个真实数字，也是行业里常说的：约50%的临床候选药因ADMET问题而失败。你想想，一个药从靶点发现到临床实验，动辄十几年，投入数十亿美金，如果倒在ADMET上，那损失太大了。

具体来说，ADMET预测的价值体现在：

1. 早期筛选 – 在合成化合物前，用AI模型预测ADMET，排除“高风险”分子，节省湿实验资源。
2. 结构优化 – 当某个属性不达标时，化学家参考预测结果指导结构改造，降低试错成本。
3. 降低临床失败率 – 提前识别毒性风险、代谢不稳定等情况，提高候选药质量。

表格列出我常用的几个ADMET属性及其评价指标，方便大家对照：

说句实在话，传统的“做一个属性测一个属性”的方法效率太低。现在大家都在用计算预测尤其是机器学习，把多个ADMET属性放在一个模型里同时预测，也就是咱们这门课要讲的多任务学习。

1.4 ADMET预测的输入格式示例

大家可能会问，预测ADMET需要什么输入？常见的方法是基于分子结构——SMILES或者分子指纹。我给大家看个简单的输入格式例子：

# 分子SMILES表示
阿斯匹林: CC(=O)OC1=CC=CC=C1C(=O)O
对乙酰氨基酚: CC(=O)NC1=CC=C(O)C=C1

# 分子指纹（ECFP4示例，二进制编码的一部分）
0010110010100011010100101001001100010110
1010001001001100100010101001010010010101

当然，实际模型还会用到分子量、LogP、氢键供体受体数量、可旋转键数等描述符。但底层都是把分子结构转成机器能理解的形式。

1.5 本章知识结构图

下面这张SVG图，帮你梳理ADMET的整体知识框架。咱们这课后续所有内容，都可以在这个框架里找到落脚点。

看到没，五个属性围绕ADMET预测形成星型结构，但彼此之间又有复杂的相互作用。这就是为什么单独预测每个属性往往不够用，必须放在一起综合考量。下节课开始，咱们正式进入多任务学习的方法，帮大家系统地解决这些问题。