数据预处理与标准化：打好ADMET建模的地基
聊到ADMET预测，很多朋友一上来就急着调模型、改架构。但说实话，我见过太多项目到最后发现效果上不去，回头一查——数据预处理这步就没走扎实。你想想看，模型吃得脏数据，吐出来的能是干净结果吗？
这一章，咱们就把ADMET数据预处理的几个关键环节挨个捋一遍。我敢说，把这步做好了，模型效果至少能涨5到10个点。
1. SMILES去重与清洗
拿到原始数据，第一件事不是看分子多漂亮，而是先把非法SMILES踢出去。什么样的SMILES算非法？我遇到过最常见的情况：
- 元素符号写错了（比如「C」写成「C1」但没有闭合环）
- 括号不匹配
- 连价键数明显不对（五价碳？这化学老师得气哭）
我个人习惯用RDKit做第一步过滤，简单几行代码就能把不合格的分子筛掉：
from rdkit import Chem
def clean_smiles(smiles_list):
valid_smiles = []
for smi in smiles_list:
mol = Chem.MolFromSmiles(smi)
if mol is not None:
valid_smiles.append(smi)
return valid_smiles去重这块也要小心。同一个分子可能以多种形式出现——比如「CCO」和「OCC」都是乙醇，但SMILES写法不同。我的做法是先把SMILES转成标准形式再比较：
def canonical_smiles(smiles):
mol = Chem.MolFromSmiles(smiles)
if mol is None:
return None
return Chem.MolToSmiles(mol, canonical=True)
# 去重时用标准形式作为key
unique_smiles = list({canonical_smiles(s): s for s in raw_smiles}.values())2. 分子标准化
分子标准化听起来简单，但坑特别多。我曾在ADMET项目里遇到过这么个坑：同一个分子在不同数据库里有的带了counterion（比如盐酸盐），有的不带。模型如果学到的全是盐的形式，到了预测纯分子的时候肯定不好使。
标准化主要做这几件事：
- 去盐基：保留最大有机片段，扔掉无机反离子
- 电荷归一化：在pH 7.4条件下，把可电离基团统一成主要形式
- 立体化学清除：如果数据集里没有立体化学信息，就把手性标记去掉
- 同位素清除：把[13C]、[2H]等同位素标记转回普通元素
- 片段化：处理混合分子（比如药物-抗体偶联物），只保留药物部分
我常用的标准化流程长这样：
from rdkit.Chem import SaltRemover
def standardize_molecule(mol):
# 1. 去盐基
remover = SaltRemover.SaltRemover()
mol = remover.StripMol(mol, dontRemoveEverything=True)
# 2. 在中性pH下调节电荷
mol = Chem.MolFromSmiles(Chem.MolToSmiles(mol,
allBondsExplicit=True,
allHsExplicit=True))
# 3. 清除立体化学信息（如果不需要）
Chem.RemoveStereochemistry(mol)
# 4. 返回标准SMILES
return Chem.MolToSmiles(mol, canonical=True)3. 多重离子处理
多重离子是个头疼事。同一个分子，在酸性条件下可能带正电，碱性条件下带负电。ADMET实验数据常常来自不同实验室，pH条件也不统一。
我的处理策略分三步：
- 判断多重离子类型：看分子里有没有可电离基团（酸、碱、两性）
- 选择主导形式：根据实验描述或pH值，确定最可能的形式
- 标准化标准方法：实在不确定的，统一用「中和」形式或「移除电荷」
代码实现思路：
from rdkit.Chem import MolStandardize
def handle_multiple_ionization(mol, target_ph=7.4):
# 使用RDKit的MolStandardize模块
# 首选：中和到目标pH下的主导形式
try:
standardized = MolStandardize.charge.MolStandardize(mol,
target_ph=target_ph)
return standardized
except:
# 回退：直接移除所有正式电荷
mol = MolStandardize.charge.Uncharger().uncharge(mol)
return mol一句话总结：对于多重离子，我倾向选择「最保守」的处理方式——要么统一到pH 7.4形式，要么干脆用中性形式。模型的一致性比极致的精确性更重要。
4. 数据集划分策略
训练/验证/测试集的划分，比你想的重要得多。为什么？因为ADMET数据的分布通常不平衡——比如pXR激活实验，90%的分子都是不激活的。如果随机划分，测试集里很可能全是负样本。
我常用的几种划分策略：
| 策略 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 随机划分 | 数据量大且分布均匀 | 实现简单 | 容易数据泄露 |
| 基于骨架的时间/结构划分 | 时间序列数据或相似结构预测 | 更贴近真实应用 | 划分后类别分布可能偏 |
| 分层划分 | 类别不平衡 | 保持各集合分布一致 | 对回归任务不太适用 |
| 基于ADMET标签的分层划分 | 需要确保测试集覆盖全部标签范围 | 评估结果更可靠 | 实现稍复杂 |
我个人最推荐做分层划分。尤其是对于二分类任务（比如hERG毒性：高/低风险），确保训练集、验证集、测试集里高低风险的比例差不多。代码示例：
from sklearn.model_selection import StratifiedKFold
def stratified_split(X, y, test_size=0.2, val_size=0.1):
# 先把数据按标签分层
skf = StratifiedKFold(n_splits=int(1/(test_size+val_size)),
shuffle=True, random_state=42)
for train_idx, temp_idx in skf.split(X, y):
X_train, X_temp = X[train_idx], X[temp_idx]
y_train, y_temp = y[train_idx], y[temp_idx]
break
# 再从temp里切出验证和测试
val_ratio = val_size / (test_size + val_size)
skf2 = StratifiedKFold(n_splits=int(1/val_ratio),
shuffle=True, random_state=42)
for val_idx, test_idx in skf2.split(X_temp, y_temp):
X_val, X_test = X_temp[val_idx], X_temp[test_idx]
y_val, y_test = y_temp[val_idx], y_temp[test_idx]
break
return (X_train, y_train), (X_val, y_val), (X_test, y_test)对回归类ADMET任务（比如logD、溶解度），分层划分不太好用——标签是连续的。我一般用分位数划分，让每个集合覆盖的数值范围差不多：
import numpy as np
def quantile_split(y, test_size=0.2, val_size=0.1):
# 按数值分桶，确保每个桶的样本量一致
n_bins = int(1 / (test_size + val_size))
y_binned = np.digitize(y, bins=np.percentile(y,
np.linspace(0, 100, n_bins+1)[1:-1]))
return stratified_split(range(len(y)), y_binned,
test_size, val_size)整个数据预处理流程
把这些步骤串起来，就是一套完整的数据预处理管线。我用SVG画了一下整体流程图，方便你把握全貌：
说到底，数据预处理不是什么高大上的技术活，但却是最磨练耐心的环节。我常用一句话和团队里的人讲：「数据预处理做到位，模型训练就成功了一半」。这话一点也不夸张。