4. 数据收集策略与来源归纳总结

数据收集，是整个ADMET项目的起点，也是决定模型天花板的关键一步。

说白了，模型再牛，喂进去的数据不行，出来的结果就是垃圾。我就是这个观点。所以这一章，我们专门聊聊数据从哪来、怎么收、怎么管。

4.1 数据来源全景图

数据来源其实就两大阵营：公共数据库 和 自有实验数据。

我个人习惯，先摸清楚公共资源里有什么，再考虑要不要砸钱做实验。你想想看，如果已有的数据就能解决问题，何必重复造轮子？

4.2 公共数据库详解

我遇到过不少新手，一上来就问「公共数据库到底用哪个好？」。嗯，这里要注意，没有「最好」的数据库，只有「最适合」你项目的库。

我列个表，你看看区别就清楚了。

4.3 自有实验数据策略

公共数据虽然好，但有些端点，比如肾毒性、眼毒性，公共库里几乎找不到足够样本。这时候就得靠自己产数据。

我记得有一次做某靶点的肝毒性预测，公共库里只有不到200个阳性样本，结果模型训练出来一塌糊涂。后来我们补了80个内部测定数据，效果才勉强过关。

4.3.1 体外数据收集

体外数据，说白了就是用细胞或酶来做实验。常见指标包括：

• Caco-2 渗透性：模拟肠道吸收
• 肝微粒体稳定性：看化合物在肝里停留多久
• CYP 抑制：是否干扰代谢酶
• hERG 抑制：心脏毒性风险评估
• 细胞毒性 (IC50)：基础毒性判断

这些数据最干净，噪音最小。我建议，如果预算允许，至少做核心端点的体外实验，用来做模型的「金标准」验证集。

4.3.2 体内数据收集

体内数据就是动物实验了。说实话，这玩意成本高、周期长，但价值也最大。

我们用大鼠、小鼠做 PK 实验，测药时曲线 (AUC)、半衰期 (t1/2)、生物利用度 (F%)。这些数据公共库里极少，可遇不可求。

4.4 数据收集的执行策略

项目启动后，数据收集不能盲目「先收再挑」。我一般按三步走：

1. 盘点存量：先把内部已有的数据梳理清楚，看覆盖哪些端点、有多少样本。
2. 清查公共资源：针对缺失的端点，去 ChEMBL、ADMETlab 搜一遍，评估可用数据量。
3. 制定补盲计划：公共库也填不了的坑，才启动实验补数据。优先补核心端点，比如吸收和毒性。

举个实际例子。我最近在做一个大模型项目，目标是预测 20 个ADMET端点。第一步，我们发现内部有 8 个端点的体外数据，共约 15 万条。第二步，从 ChEMBL 和 ADMETlab 补充了 6 个端点的数据，约 8 万条。最后，针对剩下的 6 个毒性端点——因为实在太稀缺——我们启动了体外实验计划，预计再花半年产出 2 万条数据。整个数据收集团队，分三组并行跑：公共爬取组、数据清洗组、实验对接组。

你现在看，是不是觉得「并行推进」才是正解？

4.5 数据质量与格式标准化

不管数据从哪来，最终要喂进模型，格式必须统一。

我通常要求所有数据统一输出为 CSV 格式，包含以下必要列：

smiles, endpoint_name, endpoint_value, unit, source, confidence_level
Cc1ccccc1, logD, 2.3, logD, chEMBL, 1
Cc1ccccc1C(=O)O, hERG_pIC50, 5.2, pIC50, internal, 2

关于单元统一，很多刚入行的朋友容易踩坑。比如 logD 有的实验是 pH 7.4 测的，有的用 pH 5.5，差得远。所以标准化时，必须记录实验条件。

我一般会做一张「实验条件映射表」：

嗯，到这里，数据收集的策略和来源已经讲得差不多了。你手头的项目需要哪些数据，现在心里有数了吗？