1. ADMET 建模与数据质控概述

各位好，我是专门跟 ADMET 数据打交道的工程师。今天咱们聊个很实在的话题：数据质控流程在 ADMET 建模中的实施。说白了，就是怎么让数据靠谱，让模型能落地。

ADMET 这个词，估计你们听过很多遍了——吸收 (Absorption)、分布 (Distribution)、代谢 (Metabolism)、排泄 (Excretion)、毒性 (Toxicity)。搞药物研发的同事靠它筛选候选分子，我们建模的人靠它预测性质。但有个事儿我特别想强调：没有好的数据，再牛的模型也是白搭。

1.1 ADMET 概念速览

ADMET 是五个词的缩写，分别对应药物在体内的关键行为。我习惯用一张表把它们串起来，方便对比。你想想，每个性质背后都有一堆实验数据，这些数据就是咱们建模的“原材料”。

性质	全称	典型实验数据	建模常见难点
A	吸收	Caco-2 渗透性、人体肠吸收百分比	体外-体内关联差
D	分布	血浆蛋白结合率、组织分布系数	游离浓度难测定
M	代谢	肝微粒体清除率、代谢半衰期	种属差异大
E	排泄	尿液排泄率、胆汁排泄比例	回收率不稳定
T	毒性	hERG IC50、Ames 试验结果	假阳性/假阴性多

我第一次接触 ADMET 数据集时，差点被各种单位搞晕——有的用 µM，有的用 ng/mL，还有用 log 转换的。嗯，这里要提醒大家：单位不一致是数据质控首先要扫清的障碍。

1.2 为什么数据质控对 ADMET 建模如此重要？

我遇到过不少项目，模型训练时 R² 看着不差，一放到新分子上就崩。拆开后发现：训练集里有大量重复样本，实验值抄错了，或者不同实验室测的同一性质根本没对齐。说白了，数据质控是建模的“地基”。

具体来说，数据质控的价值体现在三个层面：

• 避免“垃圾进，垃圾出” —— 模型学到的如果是噪声，预测就不可能准。我曾经接手一个 hERG 预测项目，原始数据集里 15% 的样本 IC50 值明显写反了（把抑制活性当成安全阈值），还好在质控阶段筛了出来。
• 节省重复计算的时间 —— 模型迭代 50 轮后发现数据有硬伤，所有人都得返工。我现在的习惯是：建模之前，先花 1/3 的时间做数据检查。你想想，这个时间投入到底值不值？
• 提升模型的可复现性 —— 好的数据质控流程能让别人复现你的结果。如果数据清洗步骤不透明，哪怕代码再干净也没用。

1.3 课程目标与受众

这门课不是讲理论，而是讲实操流程。我会带着你们从原始数据到可用训练集，一步步走完质控的每个环节。课程结束后，你应该能做到：

1. 独立撰写 ADMET 数据质控的标准操作流程 (SOP)。
2. 用脚本快速发现并处理缺失值、异常值、重复样本。
3. 处理不同来源数据的单位转换和属性对齐。
4. 对质控后的数据做基本统计报告。
5. 把质控后的数据直接导入建模管线。

受众画像： 这门课主要针对药物研发领域的计算化学家、数据科学家、以及刚进入 ADMET 建模岗位的工程师。如果你已经有 Python 基础，了解基本的数据结构，上手会更顺。不过就算你只是手动处理过 Excel 表格，也能跟上——我会把流程讲得尽量落地。

1.4 本章知识体系总览

下面这张图是我习惯用的数据质控整体流程结构图。你可以把它当作这门课的“导航地图”。每次做项目，我都会先对着这张图检查自己走到哪一步了。

1.5 一个真实的例子：从数据质控到模型翻车

最后分享个真实案例。有个项目需要预测药物的人体口服生物利用度。训练集是从三篇文献和 ChEMBL 里凑的，一共 1200 条记录。当时我们觉得数据量够了，直接跑模型。结果验证集上一塌糊涂。

回头做质控才发现：

• 其中两篇文献的“生物利用度”定义不同（有的是口服绝对生物利用度，有的是相对值），但都列成了同一列。
• ChEMBL 中的数据单位是百分比，文献用的是小数，没有统一。
• 还混了 23 条重复的分子-实验组合，数值差异高达 30%。

这些坑，只要在质控初期加一个属性对齐检查和单位标准化就能避免。从那以后，我的流程里多了这两步。