第一章：ADMET预测模型概述与常见错误分类
各位搞药物设计的同行，今天我们聊聊ADMET预测模型里那些坑。
我习惯把ADMET模型比作药物分子的「筛选漏斗」。分子设计得再花哨，最后过不了吸收、分布、代谢、排泄、毒性这几关，一切归零。但这几年我在项目中见过太多人把模型预测结果当成「圣旨」，出了问题第一反应是「模型不准」——其实很多错不在模型，在人。
好，咱们从头捋一遍。
1.1 ADMET到底在预测什么？
先快速对齐几个概念。ADMET不是一个指标，是一组性质。
| 缩写 | 全称 | 一句话解释 | 常见的预测终点 |
|---|---|---|---|
| A | Absorption | 药物怎么进到血液里 | Caco-2通透性、人结肠腺癌细胞系渗透性、F（口服生物利用度） |
| D | Distribution | 药物在体内怎么跑 | 血浆蛋白结合率、表观分布容积、组织/血浆分配比 |
| M | Metabolism | 药物被哪些酶改造 | CYP450抑制/诱导、代谢稳定性（半衰期）、代谢产物鉴定 |
| E | Excretion | 药物怎么排出去 | 肾清除率、胆汁排泄、转运体介导的排泄 |
| T | Toxicity | 药物有没有毒 | hERG、AMES致突变、肝毒性、心脏毒性 |
我个人的经验：不要试图用一个模型预测所有ADMET性质。你想想看，溶出度和肝微粒体稳定性的物理机制天差地别，用一个骨架硬套两个任务，结果通常两边都不讨好。
1.2 常见错误类型：我在项目里踩过的那些雷
做ADMET预测模型时，错误基本集中在三个层面。我把它们分成「数据层」「模型层」和「应用层」。你对照着看看自己栽在哪个坑里过。
数据层错误
- 数据质量不过关：我在一家药企做过内部数据集清洗。同一批化合物测了两遍，Caco-2值差出两个数量级。问下来是实验员用了不同的pH缓冲液。数据源有系统误差，模型学出来就是错的。
- 数据分布不均：训练集里90%是阴性样本，模型学会了全判阴性——准确率还特别高，但完全没有预测能力。
- 结构重复或近重复：同一个骨架以略微不同的结构重复出现，模型在训练集里过拟合了结构相似性，而不是真正的理化性质关联。
模型层错误
- 特征工程出问题：别人做hERG预测用了一堆2D指纹，我也照搬。结果模型的AUC很高，但换一个骨架完全失效。后来发现我的分子骨架本来就和训练集高度相似——说白了，模型背的是结构模板，而不是毒性机制。
- 验证方式不对：随机划分训练集测试集？我建议你用时间戳划分，或者按骨架聚类划分。随机划分会让模型看到太多结构近似的化合物，泛化能力被严重高估。实际应用时一见面孔新一点的分子，模型立刻「掉分」。
- 超参数拍脑袋：我记得有次跑CYP2D6抑制预测，其他人用的是LightGBM，默认参数就跑出了不错的AUC。我换成深度神经网络，调了一个月的参数，结果还不如人家的默认配置。不是深度模型不好，是我在小数据集上强行上深度学习，数据量不够，模型学不到泛化的模式。
应用层错误
- 适用范围外推：模型的适用域（Applicability Domain）是个常被忽略的东西。你用一个训练自含氟最多两个原子的模型，去预测含三氟甲基的分子？我曾经在项目里干过这种事，结果预测的logD和实测差了2.5个单位。模型根本没见过这类碎片，预测就是「自由发挥」。
- 单一指标迷信：只看R²或AUC就下结论。R²高不代表模型能正确排序，AUC高不代表在阳性样本上预测准。在ADMET场景里，漏掉一个有毒的分子比误报十个无毒分子更致命。
避坑指南：我曾经把一个hERG预测模型投入项目时，只看了测试集AUC=0.92。实际筛完300个类似化合物，只找出了3个真的hERG高风险。模型把大部分阳性都判成了弱阳性——AUC高是因为它在阴性样本上预测得特别准。阴性样本占了98%。嗯，这个教训挺深刻的。
1.3 错误排查思路：给你个工作流
做ADMET预测模型，别出了错就开始改架构加数据。我建议从下面四条线入手排查。我首推「从失败用例反向追溯」的思路——先定位最离谱的预测错例，再反推问题出在哪个环节。
下面这张图是我自己做排查时画的：
这张图我自己项目里一直在用。
发现预测结果离谱时，别急着调模型。先查数据，再查特征和验证方式，最后查适用范围。我个人最多遇到的情况是数据层出问题，尤其批次效应——不同批次的实验条件有差异，但被当作同一分布喂给了模型。
在实际项目中，核心排查思路可以用一句话概括：从预测误差最大的样本切入，反向分析每个环节的贡献。具体来说：
- 收集误差分布：在测试集或新数据上，找到预测值与实测值偏差最大的前5~10个案例。
- 数据端检查：这些案例有没有实验记录不清、数据拼接错误、单位不一致？我在某次排查中发现pH数据被混用了，因为实验记录里部分样本的pH是7.4，另一部分是6.8。模型学会了区分pH，而不是区分性质。
- 特征端检查：出错的分子有没有特殊子结构？它们包含训练集中极少见的片段？如果是，该考虑扩充数据或做AD域过滤。
- 模型端诊断：重新做一次骨架划分的验证。如果模型AUC大幅下降，说明泛化能力不够。我建议跑个简单的基线模型（比如随机森林+ECFP4），和你的复杂模型对比一下，看看复杂模型「好」在哪里——有时候基线就够用。
- 最终决策：如果所有策略都试过误差依旧大，那就接受模型在当前化学空间下不可用。强行部署只会给你更多项目麻烦。
一个小技巧：我每次做ADMET模型都会输出一张「预测误差 vs 训练集最近邻距离」的散点图。如果误差随着结构相似度降低而增大，说明模型外推能力不好——这是AD域外推问题的经典信号。
好，本章我们覆盖了ADMET的基本概念、我把最常遇到的错误归了类，也给出了一个实用的排查工作流。从下一次章节开始，我们会逐类深入，用实际案例拆解每种错误该怎么定位、怎么修。先有个全景印象，后面学起来更有底气。