1. ADMET 验证概述：背景、目的、范围及基本概念
1.1 我们为什么要聊 ADMET 验证？
各位好，我是这次课程的主讲。说实话，干药物研发这么多年，我见过太多项目在后期突然“暴雷”。不是因为药效不行，也不是因为安全性出大问题，而是因为 ADMET 数据打架——同一个化合物，今天测的清除率是 5，明天换个人操作就变成了 15。
为什么会这样？说白了，就是验证没做到位。ADMET 是 吸收、分布、代谢、排泄和毒性 的统称。这些参数决定了候选化合物能不能从实验室走到临床。你想想看，要是连测都测不准，后面的 PK/PD 模型、毒理评估、甚至临床剂量设计，全都成了“沙上建塔”。
我个人习惯，在项目启动前先把验证的框架搭好。这就像盖楼前先打地基，省得后面返工。
1.2 ADMET 验证的背景与行业现状
我 2008 年刚入行那会儿，很多实验室连基本的系统适用性检查都不做。测个血浆蛋白结合率，重复性能做到 30% 变异系数（CV）。后来 FDA 和 EMA 出了好几版行业指南，再加上 ICH M7、M9 这些指导原则，大家才开始重视验证。
目前行业里普遍认可的验证框架，主要来自以下几个来源：
- ICH Q2(R1)：分析方法验证的“圣经”，虽然不是专门针对 ADMET，但原则通用。
- EMA 生物分析方法验证指南：明确要求了选择性、基质效应、稳定性、残留等验证项。
- GxP 合规要求：GLP/GCP 下产生的 ADMET 数据，必须经过严格的验证流程。
- 白皮书与行业协会共识：比如 IQ Consortium 发布的 ADME 验证白皮书，里面有很多实操细节。
我记得有一次参与一个跨药企的联合验证项目，大家发现同一个方法的 Caco-2 渗透性结果，不同实验室之间能差 5 倍。嗯，这就是没有统一验证标准的后果。后来我们花了半年时间，把关键参数统一了，才勉强把 CV 降到 30% 以内。
1.3 验证的目的：不只是为了“合规”
验证不是做给审计员看的。我经常跟团队说，验证的目的只有三个：
- 保证数据可靠性——你报出去的数字，别人能在相同条件下重现。
- 控制风险——提前发现方法有没有卡脖子问题，比如基质效应、不稳定性。
- 建立信心——让决策者敢基于你的数据做 PK 预测、剂量爬坡甚至 FIH（首次人体试验）设计。
你让合作方拿到一份没有验证报告的 ADMET 数据，他们敢往下推进吗？我建议你设身处地想想，如果你是项目负责人，看到一份“裸数据”，连个系统适用性检查结果都没有，你敢投钱吗？
1.4 验证的范围：什么该验？什么可以“放一马”？
这个问题我经常被问到。验证的范围不是一刀切的，它取决于：
- 方法的用途：是筛选阶段（早期）还是 GLP 毒理支持阶段（中后期）？
- 化合物的特性：结构类似物？高蛋白结合？P-gp 底物？
- 监管要求：是否用于注册申报或临床支持？
为了讲清楚这个，我习惯用下面这张图来展示 ADMET 验证的覆盖范围：
从这张图可以看出来，吸收、分布、代谢、排泄、毒性 是验证的主体，但底部还有一个 通用验证层——比如选择性、精密度、基质效应，这些是所有 ADMET 方法都绕不开的。
1.5 基本概念：先把名词对齐
我踩过这样的坑：跟 CRO 聊验证方案，双方对“基质效应”的定义完全不一样。后来我学乖了，做任何验证前，先把术语表发过去对齐。这里列几个最关键的：
| 术语 | 定义 | 我的经验值 |
|---|---|---|
| 系统适用性 | 每次分析前，通过标准品检查仪器和方法的即时状态 | 我曾经跟一个团队做过对比，不做系统适用性，批间精密度直接翻倍 |
| 基质效应 | 生物基质（血浆、胆汁等）对分析物响应的增强或抑制 | 最容易被忽略。我见过一个案例，脂溶性化合物在血浆中基质效应高达 40% |
| 回收率 | 从基质中提取出来的分析物量占基质中总分析物量的百分比 | 低于 60% 就要警惕了，尤其是对于高蛋白结合化合物 |
| 精密度 | 同一均质样本多次测量结果的接近程度，通常用 CV% 表示 | 行业内一般要求 CV% ≤ 15%，LLOQ 处可放宽到 ≤ 20% |
| 准确度 | 测量值与真实值的接近程度，通常用回收率百分比表示 | 偏差在 ±15% 以内都是可接受的 |
| 选择性 | 方法区分分析物与杂质、代谢物和基质成分的能力 | 我建议最少使用 6 个来源的基质来验证选择性 |
| 残留 | 上一个样本高浓度在系统中对下一个样本的干扰 | 残留不允许超过定量下限响应的 20% |
| 稳定性 | 分析物在存储、处理和测定过程中的化学稳定性 | 包括冻融稳定、短期稳定、长期稳定、自动进样器稳定 |
1.6 早期筛选 vs. GLP 支持：验证深度该不该一样？
这个问题其实很现实。早期药物发现阶段，化合物动辄几百个，每个都要做全验证，时间和成本都不允许。那怎么办？我的做法是：
- 早期筛选（Hit-to-Lead / Lead Optimization）：
- 做简化验证（也叫“方法确认”或“qualification”）
- 只验证选择性、精密度、线性范围、基质效应这四项
- 不做过多的稳定性考察，因为数据只用于内部排序和决策
- GLP 毒理支持（IND-enabling）：
- 必须做完全验证，覆盖所有 ICH Q2 及 EMA 指南要求的指标
- 包括基质效应定量评估、全项稳定性（冻融、短期、长期、处理器稳定性）、残留验证
- 需要有详细的验证报告和原始数据备份
我记得十年前跟一个合作伙伴做项目，他们在早期阶段就做了全验证，结果发现一个化合物后处理温度超过 4°C 就会降解。这个发现为后面的 GLP 毒理研究省了至少 3 个月，因为他们提前优化了样本处理流程。所以，验证深度的选择，更多是基于风险管理的平衡，而不是一刀切的规则。
1.7 这一章的关键 takeaways
嗯，总结一下这一章我个人觉得最重要的几个点：
- 验证不是选择题，是必答题——尤其是在 GLP 环境下，不做验证，数据不被认可。
- 验证范围是动态的——早期筛选做简化验证，GLP 支持做全验证，没必要搞一刀切。
- 术语对齐是第一步——我踩过的坑告诉我，定义不一致会导致后续整个验证过程混乱。
- 系统适用性是所有验证的基础——没有它，你后面的精密度、准确度数据都是“空中楼阁”。
- 一张好图胜过千言万语——我习惯一开始就把整个验证框架画出来，让团队一眼看明白我们在做什么、覆盖了哪些模块。