📚 课程目录第4章物理化学属性数据

4. 物理化学属性数据：LogP、溶解度、pKa 的收集与单位统一

好，咱们接着聊。前面讲了理化性质数据怎么筛选和编号，这一步其实只是开了个头。拿到一堆 LogP、溶解度、pKa 数据后，你会发现一个很头疼的问题——单位不统一，甚至概念本身都可能有歧义。我刚开始做 ADMET 建模那会儿，就被这些细节坑过不少次。

4.1 为什么是这三个参数？

先说个基本的。LogP、溶解度、pKa 是药物理化性质的三驾马车，大部分口服吸收预测模型都离不开它们。但问题是，这三个玩意儿测量方法多、数据来源杂，质控起来特别麻烦。

LogP：反映脂溶性，直接影响膜透过性。但你会看到 LogP、LogD、clogP 混在一起。
溶解度：光 pH 条件就有七八种。有的给 µg/mL，有的给 mg/mL，还有直接给摩尔浓度的。
pKa：看起来简单，就是酸解离常数。可多价化合物在不同文献里能给出差 2 个单位的数，你信不？

它们之间的关系其实很紧密。我画了张图，你可以先看一眼，这样后续讲细节时心里有个谱。

4.2 LogP：三个容易混淆的兄弟

LogP 这块儿，单位倒没什么大变化，就是数值。但概念上的坑特别多。我整理了个表，你对照着看：

符号	全称	pH 条件	典型用途
`LogP`	油水分配系数 (octanol/water)	中性 (未解离)	评价固有脂溶性
`LogD`	分布系数 (Distribution coefficient)	指定 pH (如 7.4)	模拟生理环境
`clogP`	计算 LogP (Calculated LogP)	无 (算法估算)	高通量筛选

我个人习惯首先问一句话：“数据集里这个 LogP 是测的还是算的？” 如果是计算的，注明软件版本。如果是测量的，一定要看 pH。

我在项目中遇到过，有个合作方给的 LogP 数据，拿去建模型，结果预测吸收率和实测总是差 20%。查来查去，发现他们拿最常给的 7.4 的 LogD 当 LogP 用了。说白了，一个是没解离的状态，一个是部分解离的状态，怎么能直接混呢？

注意： 如果数据库中混用了 LogP 和 LogD，建模结果不可靠。建议先统一标注“数据来源”。对于计算值，最好统一到同一个计算器，比如 RDKit 的 MolLogP。

4.3 溶解度：单位是最大陷阱

溶解度这块，数据源常见的单位大概有这么几种：

mg/mL (最常见的质量浓度)
µg/mL (微克每毫升，低溶常用)
mol/L 或 M (摩尔浓度，学术文献爱用)
µM (微摩尔每升)
甚至还有 g/100mL 这种老古董

你想想看，如果不统一单位，直接用原始值建模，那模型学到的全是单位差异，根本不是物理化学规律。

统一换算的方法其实挺简单。核心公式就一个：

溶解度 (mol/L) = 溶解度 (mg/mL) / 分子量 (g/mol) * 1000

反过来换算也一样。嗯，这里要注意：分子量必须用精确分子量（exact mass），不要用平均分子量。差那么零点几，对后续 ADMET 模型影响不大，但严谨性上过不去。

我自己的流程是：

把所有溶解度数值先转成 µM。
记录原始单位和转换公式。
如果同一化合物的多个文献数据差距 > 10 倍，标记为可疑。

小窍门： 写个简单的 convert_solubility() 函数，把几种常见单位一次性转好。我在项目中用过一个函数，输入原始值和单位，输出标准 µM 值和分子量检查 flag。

另外，溶解度和 pH 的关系特别密切。大部分有价值的数据都附带 pH 条件，比如 1.2（模拟胃液）、6.8（模拟肠液）或 7.4（血液）。如果没写 pH，默认当成“纯水中的溶解度”。

4.4 pKa：多价态的复杂问题

pKa 说起来是原子级别的数据，通常是用滴定法测的。但麻烦的地方在于：

一个分子可能有多个 pKa（比如阿司匹林有两个可解离基团）
不同基团的 pKa 会有交叉影响
实验条件不同（温度、离子强度），pKa 能差 0.5 个数量级

我遇到过一个真实案例。有份数据里记录“pKa=4.5”，结果查文献发现，这个化合物其实有两个等价的羧基，实际测出来的是两个相近 pKa 的平均值。这种数据如果直接使用，会严重影响后面模型的电荷状态预测。

我的经验是：多酸多碱基团的化合物，最好列个表，把所有 pKa 值都记录下来。不要只记一个“主要 pKa”。

  推荐格式： 记录时写成 pKa1: 4.2 (羧基), pKa2: 9.8 (铵基)，并注明测量时的温度和离子强度。

4.5 单位统一的实操流程

好，理论讲完了，说说具体怎么干。我建议的数据清洗步骤大概是这样的：

原始数据分拆：把 LogP、溶解度、pKa 分开处理。
字段追加：为每个数据增加两个字段——“原始值”和“标准值”。不要覆盖原始值。
单位统一：对溶解度，全部转换为 µM。对 LogP，标注是 LogP 还是 LogD。对 pKa，保留多位有效数字。
异常检查：超出合理范围的数值直接标记。
入库：标准化后的数据存入主表。

这块的代码，我一般这么写（粗暴但有效）：

# 溶解度统一转换函数
def unify_solubility(value, unit, molecular_weight):
    if unit == 'mg/mL':
        return (value / molecular_weight) * 1e3  # µM
    elif unit == 'µg/mL':
        return (value / 1e3 / molecular_weight) * 1e3
    elif unit == 'M':
        return value * 1e6
    elif unit == 'µM':
        return value
    else:
        raise ValueError("未知单位: {}".format(unit))

注意，这个函数只做单位转换，不做数据合理性判断。合理的判断要单独做，比如 value < 0、value > 1e5 这类情况要 flag 出来。

警告： 转换时千万不要直接用 float 类型的除法而不考虑分子量。我见过有的数据库把分子量写成 None，然后程序报错，全流程断掉。建议提前写异常处理。

我在项目中，曾建立过一个内部数据标准规范表，里面就列出了这三种属性允许的单位、转换公式、以及合理范围。用了几个月后，出问题的频率降低了不少。

最后总结一句：物理化学属性数据的单位统一，说白了就是让不同源的数据能在同一把尺子上说话。你做得好，后面的模型就能少踩很多坑。