一、ADMET 概述：建模前必须搞懂的那些事
好，咱们直接开篇。ADMET 这个词，搞药物研发的应该不陌生——吸收、分布、代谢、排泄、毒性。说白了，就是药物在生物体内走一遭的完整旅程。
我个人习惯，刚接触一个新项目时，最先看的不是活性数据，而是 ADMET 性质。为什么？因为一个候选分子，活性再漂亮，如果吸收差、毒性大，基本就是废的。
1.1 药物研发中的 ADMET 重要性
你想想，一个化合物的宿命一般是这样：
- 体外活性筛出来了，IC50 漂亮得很。
- 进动物实验，血药浓度上不去——吸收有问题。
- 好不容易吸收进去了，肝脏直接把它代谢掉——半衰期短得可怜。
- 或者更糟，代谢产物有毒性，肝肾损伤。
关键数据对比：我当年参与过一个激酶抑制剂项目，候选分子活性达到了皮摩尔级别，项目组兴冲冲推进到临床前毒理。结果 hERG 抑制实验直接亮了红灯——QT 间期延长风险，项目被迫终止。前后浪费了 18 个月和几百万美元。
为什么 ADMET 这么重要？
说白了，临床试验失败的案例中，大约 40% 直接归因于 ADMET 问题。这里有几个经典的参数，我列个表给你看：
| 参数 | 含义 | 出问题的影响 |
|---|---|---|
| Caco-2 渗透性 | 肠道吸收能力 | 口服生物利用度低 |
| 血浆蛋白结合率 | 药物在血液中的结合程度 | 游离药物浓度不足 |
| CYP 酶抑制 | 代谢酶活性影响 | 药物-药物相互作用风险 |
| hERG 抑制 | 心脏毒性指标 | 猝死风险 |
| LogD | 脂溶性/亲水性平衡 | 透膜与溶解度矛盾 |
我在实际项目中见过最典型的一个案例就是 LogD 的问题。一个候选分子 LogD 高达 5.0，体外透膜很好，但溶解度极差，体内根本无法形成有效血浆浓度。这就是典型的脂溶性太好反受其害。
1.2 ADMET 建模的历史与现状
模型这东西，也不是一天建成的。我粗略梳理了一下这个领域的发展脉络：
第一阶段：传统 QSAR
20 世纪 90 年代，Hansch 方程、Free-Wilson 分析。特征基本靠手工算——分子量、LogP、氢键供受体个数。模型用多元线性回归，精度嘛…说实话惨不忍睹。
第二阶段：机器学习
2000 年后，随机森林、SVM 开始用。我记得 2015 年做过一个 Caco-2 渗透性模型，用随机森林训练，AUC 从传统方法的 0.7 提升到了 0.85。当时觉得已经是天花板了。
第三阶段：深度学习
2018 年后，图神经网络 (GNN) 和 Transformer 架构入场。分子不需要手动算特征了，直接输入 SMILES 或分子图就行。我最近用 GNN 做 hERG 预测，AUC 能到 0.92。但你猜怎么着？泛化能力依然是个大问题。
避坑指南：我曾经踩过一个坑——用公开数据集训练模型时 AUC 高达 0.95，可拿到自己公司的内部化合物上一测，AUC 直接掉到 0.68。为什么？训练集和测试集的结构多样性差异太大了。这个教训让我一直强调：数据分布对齐比模型架构更重要。
1.3 ADMET 预测的常见挑战
做 ADMET 建模这么多年，我总结出几个永远的痛点：
1. 数据质量问题
这是第一位的，而且是永恒的。公开数据库像 ChEMBL、PubChem 确实数据量大，但质量参差不齐。我做的一个案例给大家看看：
# 一个典型的实验数据混乱场景
# 同一个化合物在不同实验室测出的 LogD 值
Compound: CHEMBL123456
Lab A (pH 7.4): LogD = 2.3
Lab B (pH 7.4): LogD = 3.1
Lab C (pH 7.4): LogD = 2.8
# 你能相信哪个？2. 数据不平衡
毒性数据尤其明显。阳性样本太少。比如 Ames 试验，突变阳性比例大约只有 10%-15%。你用这类数据训练分类模型，直接预测全部为阴性就能有 85% 的准确率——但这样的模型毫无价值。
3. 领域外推问题 (OOD)
化合物空间的化学多样性是近乎无限的。训练集只覆盖了很小一块，模型遇到结构全新的骨架时，表现会急剧下降。我习惯用 Tanimoto 相似度来筛分子，遇到相似度低于 0.3 的，直接打个标签：慎用。
4. 多任务之间的冲突
这一点很有意思。你想想看，如果想提升 LogD（亲脂性），通常渗透性会变好，但溶解度会变差。反过来，降低 LogD 会提升溶解度，但透膜性下降。这就是 ADMET 属性之间天然存在的权衡关系。
重要提示：我建议在任何 ADMET 项目中，都不要单独优化一个属性而忽视其他属性。一个很实用的做法是建立多属性或多任务模型，同时预测吸收、代谢、毒性等多个端点，这样能捕捉到属性之间的相关性。
我记得 2020 年参加过一个 Kaggle-style 的 ADMET 预测竞赛，冠军模型用的是一个多任务图神经网络，同时预测 12 个 ADMET 属性，效果远超单任务模型的拼接。这就是利用了属性之间的共享信息。
还有一点值得提——可解释性。药物化学家不光要一个预测值，他们还想知道：为什么这个化合物有肝毒性？是哪个官能团导致的？这里的硫醚键？还是那个芳香胺？没有可解释性的模型在工业界很难落地。
嗯，这部分内容就到这。第一章算是给大家画了个完整的背景图。后面我们从数据准备开始，一步步走完整个 ADMET 建模到部署的实战流程。