想象一下，你是一家快递公司的首席调度员，每天要决定哪些包裹可以派送进一座叫作「人体」的大城市。这座城市有五道严格检查站：城门海关检查包裹能否进得来，全城配送网络看包裹能否送到指定街区，中央分拣中心会对包裹重新组装，环卫部门负责清运残余，最后质检站还要检查包裹是否藏着危险品。任何一道检查站亮红灯，这单配送就宣告失败。药物分子正是这样的特殊包裹，五道检查站正是 ADMET——吸收、分布、代谢、排泄、毒性。过去，药企只能靠动物实验和临床试验真刀真枪地试，一趟跑下来要花数年时间和数亿美金。如今，AI 像一位阅单无数的老快递员，凭着一屋子历史配送档案（实验数据），只要看一眼新包裹的标签（分子结构），就能提前判断它在五道关卡会不会翻车。这篇文章，就带你走进这位老快递员的经验系统：数据从哪来、如何读懂分子、图神经网络怎么模拟他的直觉、多任务学习怎样让他举一反三，以及他何时会诚实地说「我拿不准」。

岗位关联

学会 ADMET 性质预测，等于在药物研发的「翻车高发区」提前装上雷达——这是 AI 制药从业者的核心技能之一，也是先导化合物能否进入临床的关键闸门。

目录
  1. 可视化演示
  2. ADMET全景认知：五道检查站决定药物生死
  3. 数据来源与整理：快递公司的历史档案
  4. 分子表征方法：给包裹贴上数字标签
  5. 图神经网络：拆开包装看内部结构
  6. 多任务学习：一位师傅统筹五关
  7. 不确定性估计：老师傅的「拿不准」时刻
  8. 工程落地实践：把经验变成筛选流水线
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

模拟分子图表征GNN消息传递、多任务共享编码器五路ADMET预测头与不确定性估计置信区间，展示药物成药性筛选流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

模式1：分子图表征与GNN 原子节点编码元素类型与杂化方式 化学键边编码键级与共轭性 h_v = σ(W·AGG({h_u : u∈N(v)})) GNN消息传递聚合邻居更新节点特征。

ADMET全景认知：五道检查站决定药物生死

假设你经营一家专送「人体快递」的公司——药物包裹必须在五道检查站全部亮绿灯，客户才会签收。第一道是城门海关（吸收），检验包裹能否穿越肠壁进入城内的血液运河；第二道是城市配送网（分布），看包裹能否抵达目标街区；第三道是中央分拣中心（代谢），肝脏会把包裹重新拆装改造；第四道是环卫清运（排泄），肾脏负责把残骸送出城；第五道是危险品质检（毒性），任何有损市民健康的隐患都会被一票否决。五道关卡，缺一不可。

这五道关卡的英文缩写就是 ADMET：A（Absorption 吸收）、D（Distribution 分布）、M（Metabolism 代谢）、E（Excretion 排泄）、T（Toxicity 毒性）。制药行业有一个残酷的统计：候选药物从临床前走到上市的成功率不足 10%，而失败案例中约有一半并非疗效不够，而是栽在 ADMET 环节——要么吸收太差，要么代谢太快，要么存在安全隐患。

换句话说，药企花费十年、十亿美元，常常是「死在了半路上」。这催生了 ADMET 性质预测这门学问：在花真金白银做实验之前，先用 AI 估算候选分子的五关表现，提前拦截注定失败的包裹。我们不妨把每个环节的达标概率写成下面的形式，五关全过的概率就是它们的乘积。

所以，ADMET 预测本质上是一张「通关概率预报单」。预报越准，越能在实验室和临床之前把注定失败的包裹拦在门外。接下来，我们看看这位老快递员的经验系统是如何搭建的。

P(ADMET 五关全过)=PA×PD×PM×PE×PTP(\text{ADMET 五关全过}) = P_A \times P_D \times P_M \times P_E \times P_T
公式说明：五道检查站串联工作，每一关都要通过，整体概率是五个概率的连乘。
  1. P_A（吸收概率）包裹能顺利通过肠壁这道「城门」、进入血液循环的概率。
    PA=P(吸收达标)\displaystyle P_A = P(\text{吸收达标})
  2. P_D（分布概率）包裹在全身血管网络中送达目标器官的概率。
    PD=P(分布达标)\displaystyle P_D = P(\text{分布达标})
  3. P_M（代谢概率）包裹经过肝脏「分拣中心」改造后仍保持活性的概率。
    PM=P(代谢稳定)\displaystyle P_M = P(\text{代谢稳定})
  4. P_E（排泄概率）包裹代谢残渣能被肾脏环卫系统及时清运的概率。
    PE=P(排泄得当)\displaystyle P_E = P(\text{排泄得当})
  5. P_T（毒性概率）包裹不携带危险品、不伤害沿途「市民」的概率。
    PT=P(毒性合格)\displaystyle P_T = P(\text{毒性合格})
  6. 连乘结构五关必须全部通过，任何一项为 0，整体就归零——这就是为什么 ADMET 是成药性筛选中绕不开的生死线。
    P(五关全过)=PA×PD×PM×PE×PT\displaystyle P(\text{五关全过}) = P_A \times P_D \times P_M \times P_E \times P_T

数据来源与整理：快递公司的历史档案

老快递员凭什么判断一个陌生包裹能不能过关？靠的是阅单无数——档案室里堆着几十年来的真实配送记录：每个包裹的长相、材质、试跑结果，一应俱全。对 AI 而言，这份「档案」就是带有实验测定值的分子数据集，主要来自公共数据库，比如欧洲生物信息学研究所维护的 ChEMBL，以及美国 NIH 维护的 PubChem，里面收录了大量分子的吸收率、代谢稳定性、毒性等实测记录。

但档案不能直接喂给模型。不同实验室的测定条件不同（pH、温度、细胞系各异），单位可能不统一，甚至同一个分子会出现互相矛盾的记录。第一步是标准化：统一单位、统一实验条件的描述口径；第二步是去重与冲突消解——当两条记录看起来描述同一个分子时，要用相似度判定「它们是不是同一份包裹」。这里最常用的工具是 Tanimoto 相似度：把分子特征看成集合，如果两个分子的特征集合重叠度足够高，就判定为重复数据，按质量标准择优保留一份。

档案室整理得越干净，老快递员的经验才越可靠。一份精心清洗的数据集，往往比盲目堆砌的海量数据更能孕育出准确的 ADMET 模型——这是所有下游工作的地基。

T(A,B)=∣A∩B∣∣A∪B∣T(A, B) = \frac{|A \cap B|}{|A \cup B|}
公式说明：两个分子特征集合的交集大小除以并集大小，得到一个 0 到 1 之间的相似度分数。
  1. 特征集合 A 与 B每个分子用一组特征（比如指纹中为 1 的位）表示，就像两张包裹清单。
    A={f1,f2,…,fm}\displaystyle A = \{f_1, f_2, \dots, f_m\}
  2. 交集 |A ∩ B|两张清单里共同出现的项目数量，竖线表示「取集合的大小」。
    ∣A∩B∣\displaystyle |A \cap B|
  3. 并集 |A ∪ B|两张清单合并、去重之后的总项目数量。
    ∣A∪B∣\displaystyle |A \cup B|
  4. 比值 TT 越接近 1，说明两个分子越像，可能是同一份包裹的不同记录，应当去重合并。
    T(A,B)=∣A∩B∣∣A∪B∣∈[0,1]\displaystyle T(A,B) = \frac{|A \cap B|}{|A \cup B|} \in [0, 1]

分子表征方法：给包裹贴上数字标签

快递系统要识别一个包裹，靠的是面单上的信息编码：尺寸、重量、货品条码。AI 不认识化学结构式，同样需要一套「面单编码」把分子翻译成数字，这就是分子表征。三种最常见的表征方式分别是 SMILES 字符串、分子指纹和分子图。

SMILES 像一套化学世界的「拼音」，用一行字符描述原子与键：例如乙醇写作 CCO，简单直观，但丢失了部分三维空间信息。分子指纹（如 ECFP/Morgan 指纹）则把分子结构哈希成一个固定长度的位向量（比如 1024 位的 0/1 串），相当于「条形码」，轻巧高效，适合传统机器学习模型。分子图则把原子当作节点、化学键当作边，完整保留拓扑结构，是图神经网络的输入格式。在分子图里，我们需要一张「坐标表」记录谁跟谁相连，这就是邻接矩阵。

三种标签各有长短：条形码（指纹）轻快，适合快速粗筛；分子图信息最全，适合深度模型精判。选什么表征，决定了老快递员「看包裹」的方式。

Aij={1,原子 i 与原子 j 之间有化学键0,否则A_{ij} =\begin{cases}1, & \text{原子 } i \text{ 与原子 } j \text{ 之间有化学键} \\0, & \text{否则}\end{cases}
公式说明：邻接矩阵用 0 和 1 记录分子中每一对原子之间是否存在化学键。
  1. 邻接矩阵 A一张 n×n 的表格，n 是分子中原子个数，每个格子记录一对原子的连接关系。
    A∈Rn×n\displaystyle A \in \mathbb{R}^{n \times n}
  2. 下标 i 与 j表格的行号和列号，对应第 i 个原子与第 j 个原子。
    Aij\displaystyle A_{ij}
  3. 值等于 1两个原子之间有化学键相连，好比两个包裹配件被「拧在一起」。
    Aij=1  ⟺  原子 i 与 j 成键\displaystyle A_{ij} = 1 \iff \text{原子 } i \text{ 与 } j \text{ 成键}
  4. 值等于 0没有直接连接，中间隔着其他原子。
    Aij=0  ⟺  不成键\displaystyle A_{ij} = 0 \iff \text{不成键}
  5. 分子图邻接矩阵加上原子特征清单，就构成 AI 眼中的分子图。
    G=(V,E),∣V∣=n\displaystyle G = (V, E), \quad |V| = n

图神经网络：拆开包装看内部结构

只看面单编码，老师傅只能猜个大概。真正的高手会拆开包装看一下内部结构——哪个零件连着哪个零件、力如何传递。图神经网络（GNN）就是这样一位「拆箱专家」：它的输入是分子图，通过一轮又一轮的「消息传递」，让每个原子反复与邻居交换信息，逐步建立对整个分子的理解。

消息传递的过程很像街坊邻居的悄悄话：第一轮，每个原子把自己的特征广播给直接相连的邻居，同时接收邻居的特征并加权求和，更新自己的表示；第二轮，信息可以跨越更远的距离——「邻居的邻居」也能影响它。若干轮之后，每个原子都「听说过」整个分子的故事。接下来用图池化把全部原子的表示聚合成一个分子级向量，最后接一个全连接层输出性质预测值，比如预测某个分子会不会抑制 hERG 心脏离子通道。核心的更新公式如下：

拆箱专家的优势在于「从结构看本质」：芳香环、氢键供体、亲脂基团这些决定 ADMET 成败的细节，都能被消息传递捕捉到。这也是图模型在 ADMET 预测中常常优于纯指纹模型的原因。

hv(k)=ReLU(W(k)∑u∈N(v)hu(k−1))h_v^{(k)} = \mathrm{ReLU}\Big(W^{(k)} \sum_{u \in \mathcal{N}(v)} h_u^{(k-1)}\Big)
公式说明：第 k 轮里，原子 v 的新表示 = 对邻居表示求和后做线性变换，再用 ReLU 激活。
  1. h_v^(k)第 k 轮消息传递之后，原子 v 携带的信息向量——相当于它「听说过」的消息集合。
    hv(k)∈Rd\displaystyle h_v^{(k)} \in \mathbb{R}^{d}
  2. 邻居集合 N(v)与 v 直接成键的原子集合，由邻接矩阵读出。
    N(v)={u:Auv=1}\displaystyle \mathcal{N}(v) = \{u : A_{uv} = 1\}
  3. 求和聚合把邻居们的信息全部加起来，相当于快递员听取所有邻居的「悄悄话」并汇总。
    ∑u∈N(v)hu(k−1)\displaystyle \sum_{u \in \mathcal{N}(v)} h_u^{(k-1)}
  4. 权重矩阵 W可学习的参数，决定哪些信息值得放大、哪些该忽略。
    W(k)∈Rd×d\displaystyle W^{(k)} \in \mathbb{R}^{d \times d}
  5. ReLU 激活把负值压成 0，让网络具备非线性表达能力。
    ReLU(x)=max⁡(0,x)\displaystyle \mathrm{ReLU}(x) = \max(0, x)

多任务学习：一位师傅统筹五关

如果五道检查站各自雇一位互不交流的师傅，每位只积累自己那一关的经验，效率会很低——尤其某些关卡（比如毒性实验）样本很少，新师傅根本练不出来。更聪明的做法是请一位统筹全局的老师傅，五关经验共享：他在城门见过这类包裹，就大致知道它在分拣中心会不会出问题。

这正是多任务学习的思路：一个模型同时预测吸收、分布、代谢、排泄、毒性五个性质。模型底部的「共享表示层」学习通用的分子理解，顶部再接出五个任务专属的「输出头」。共享表示的好处有两点。其一，毒性等任务标注稀疏，而吸收、代谢数据充足，共享层让稀薄任务「借用」富足任务学到的分子知识，缓解标注不足；其二，五个性质本质相关——代谢快的分子往往停留时间短、分布差，互相约束能学出更一致的表示。

训练时，总损失是各任务损失的加权求和。毒性这类高风险任务通常赋予更高权重，确保模型优先把毒性预测准；吸收这类数据充足的任务权重可以略低。整体目标可以用下面的式子表示：

多任务学习就像让一位老师傅同时盯着五块屏幕，用一套经验判断五关——不仅省了人力，还让每一关的判断都更稳。

Ltotal=∑t=1Twt Lt(θshared,θt)\mathcal{L}_{\text{total}} = \sum_{t=1}^{T} w_t \, \mathcal{L}_t\big(\theta_{\text{shared}}, \theta_t\big)
公式说明：总损失 = 每个任务损失按其重要程度加权后相加，所有任务共享底部参数、各有自己的输出头参数。
  1. 任务编号 t五个 ADMET 任务分别对应 t = 1 到 5。
    t∈{1,2,3,4,5}\displaystyle t \in \{1, 2, 3, 4, 5\}
  2. 单任务损失 L_t第 t 个任务自己的损失，衡量该任务预测值与实验值的差距。
    Lt(θshared,θt)\displaystyle \mathcal{L}_t(\theta_{\text{shared}}, \theta_t)
  3. 共享参数与专属参数前者是所有任务公用的「公共经验」，后者是每个任务自己的微调部件。
    θshared,θt\displaystyle \theta_{\text{shared}}, \quad \theta_t
  4. 任务权重 w_t控制每个任务在总损失中的话语权，毒性这类高风险任务权重更高。
    wt≥0,∑t=15wt=1\displaystyle w_t \geq 0, \quad \sum_{t=1}^{5} w_t = 1
  5. 加权求和五关的损失合并成一份总损失，一起反向传播训练这位「一专多能」的师傅。
    Ltotal=∑t=15wt Lt(θshared,θt)\displaystyle \mathcal{L}_{\text{total}} = \sum_{t=1}^{5} w_t \, \mathcal{L}_t(\theta_{\text{shared}}, \theta_t)

不确定性估计：老师傅的「拿不准」时刻

再资深的快递员也有说「这个包裹我拿不准」的时候。仔细分辨，原因其实有两类：可能是这条街区从没去过——模型没见过类似分子；也可能是高峰期路况本来就随机——数据本身有噪声。这两种「拿不准」本质完全不同，机器学习里分别叫认知不确定性（epistemic）和偶然不确定性（aleatoric）。

认知不确定性来自训练数据的覆盖盲区：把从未见过的化学空间喂给模型，无论预测多少遍结果都会漂移，这类不确定性可以通过增加数据多样性来降低。偶然不确定性则源于实验本身的随机噪声：同一个分子，今天测和明天测的数值也不会完全相同，这是「世界自带的波动」，加再多数据也消不掉。工程上常用 MC Dropout 或深度集成来估算不确定性——MC Dropout 让模型预测时随机「闭上一部分神经元」，反复前向计算多次，用结果之间的方差作为不确定性的度量，输出每个性质附带的置信区间。

一个诚实的 ADMET 模型应当主动报告「我有多确定」。不确定性高的预测在虚拟筛选里应被降级为「待实验复核」，而不是直接信以为真——这会挽救无数个被误杀的优秀分子。

σtotal2=σaleatoric2+σepistemic2\sigma_{\text{total}}^2 = \sigma_{\text{aleatoric}}^2 + \sigma_{\text{epistemic}}^2
公式说明：总不确定性由偶然项与认知项两部分叠加而成。
  1. 总方差 σ²_total这次预测整体有多「拿不准」，数值越大越该谨慎。
    σtotal2\displaystyle \sigma_{\text{total}}^2
  2. 偶然项 σ²_aleatoric数据固有的随机噪声，如高峰期路况，换谁来测都一样。
    σaleatoric2\displaystyle \sigma_{\text{aleatoric}}^2
  3. 认知项 σ²_epistemic模型知识盲区带来的漂移，如老师傅第一次遇到新街区。
    σepistemic2\displaystyle \sigma_{\text{epistemic}}^2
  4. 叠加与启示两种不确定性相加；认知项可以通过补充数据来压缩，偶然项只能靠更精密的实验手段来缓解。
    σtotal2=σaleatoric2+σepistemic2\displaystyle \sigma_{\text{total}}^2 = \sigma_{\text{aleatoric}}^2 + \sigma_{\text{epistemic}}^2

工程落地实践：把经验变成筛选流水线

积累了经验、练好了拆箱眼力之后，就该把这些本领装进一条自动分拣流水线，让成千上万的候选包裹在几分钟内完成五关预检。在真实药物研发中，这条流水线叫作虚拟筛选：从化合物库出发，用 ADMET 模型过滤掉高风险分子，把有限的合成与实验资源集中到最有希望的候选上。

落地时有三件事必须较真。第一，数据集划分：如果随机切分，结构相似的分子会同时出现在训练集和测试集，相当于「考题泄漏给了考生」，所以常用 scaffold split，按母核骨架分组切分，模拟真实世界「预测全新骨架」的场景。第二，评估指标：回归任务（如溶解度、清除率）用 RMSE 衡量预测误差，分类任务（如有毒 / 无毒）用 AUC 衡量排序能力。第三，筛选策略：对模型输出的每个性质设置阈值，并结合不确定性——高不确定的分子一律进入实验复核队列，而不是直接淘汰或放行。

以回归任务为例，RMSE 的定义如下，它量化了预测值与实验值之间的平均偏差：

有了这条流水线，药企可以在一天内预筛数十万个候选分子，把资源留给真正能「五关通关」的包裹。AI 不是取代实验，而是让实验花在刀刃上。

RMSE=1n∑i=1n(yi−y^i)2\mathrm{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} \big(y_i - \hat{y}_i\big)^2}
公式说明：RMSE 把每个样本的预测误差平方后取平均、再开方，得到一个与原数据同单位的误差标尺。
  1. 样本索引 i数据集中第 i 个分子的编号。
    i∈{1,2,…,n}\displaystyle i \in \{1, 2, \dots, n\}
  2. 预测残差实验实测值与模型预测值之差，残差越大说明这一单的预判越离谱。
    yi−y^i\displaystyle y_i - \hat{y}_i
  3. 平方惩罚对残差取平方，让大误差受到加倍重视。
    (yi−y^i)2\displaystyle (y_i - \hat{y}_i)^2
  4. 平均残差平方把所有样本的平方误差加起来再平均，得到整体误差水平。
    1n∑i=1n(yi−y^i)2\displaystyle \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2
  5. 开方还原开平方后回到与原始数据相同的单位，方便直观理解误差大小。
    RMSE=1n∑i=1n(yi−y^i)2\displaystyle \mathrm{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2}

AI 应用场景

大规模先导化合物虚拟筛选

阶段：候选化合物生成与初筛

解决的问题：传统药企先合成再测定，一个化合物的全套 ADMET 实验要数周、数万元。AI 用图神经网络加多任务学习，几秒内对成千上万分子给出五关预测，把数万候选压缩到数百个高概率命中，再送实验室验证。

具体案例：某创新药团队从 20 万虚拟分子库中用 ADMET 模型筛出 300 个「五关全过」的候选，合成实测后命中率比随机挑选提升约 5 倍，整个初筛周期从半年缩短到两周。

hERG 心脏毒性早期预警

阶段：安全性评估与风险控制

解决的问题：hERG 通道抑制是药物引发心脏突发死亡的主要原因，若到临床中后期才发现，损失以亿美元计。ADMET 模型在立项早期就能对 hERG 毒性打分，把危险包裹提前拦在城门外。

具体案例：药物化学团队对 50 个系列类似物逐一预测 hERG 风险，直接淘汰 12 个高毒分子，避免重复实验，最终把 3 个安全候选送入动物实验。

代谢软点识别与分子改造

阶段：先导化合物优化

解决的问题：代谢过快导致半衰期过短、药效不足。ADMET 模型可以指出分子上最容易被肝脏「分拣中心」改造的位点（俗称软点），化学家据此定向修饰，延长药物驻留时间。

具体案例：项目组针对一个半衰期不足 1 小时的先导物，借助代谢预测定位到苯环对位的氧化软点，引入氟原子封堵后，代谢稳定性提升 8 倍，顺利进入下一轮开发。

Python 演示

python60 行
import numpy as np # 模拟 6 个小分子, 每个由 5 个原子组成, 节点特征 4 维# 特征含义: [疏水性, 极性, 电荷, 环尺寸]N_MOL, N_ATOM, N_FEAT = 6, 5, 4rng = np.random.default_rng(42)X = rng.rand(N_MOL, N_ATOM, N_FEAT) # 6 个分子共用一个骨架: 每条边表示一对原子间的化学键bonds = [(0, 1), (1, 2), (2, 3), (3, 4), (1, 3)]A = np.zeros((N_MOL, N_ATOM, N_ATOM))for i in range(N_MOL):    for u, v in bonds:        A[i, u, v] = 1.0        A[i, v, u] = 1.0 # 模拟实验标签: 5 个 ADMET 性质, 1 表示达标, 0 表示不达标Y = (rng.rand(N_MOL, 5) > 0.4).astype(float)  def message_pass(H, A):    # 度归一化: 每个原子收到邻居消息的权重和为 1    A_hat = A / (A.sum(axis=-1, keepdims=True) + 1e-6)    return np.matmul(A_hat, H)  def forward(X, A, W1, W2):    # 两轮消息传递加 ReLU 激活, 最后平均池化成分子向量    H1 = np.maximum(message_pass(X, A) @ W1, 0.0)    H2 = message_pass(H1, A) @ W2    return H2.mean(axis=1)  def train_and_predict(X, A, Y):    rng2 = np.random.default_rng(7)    W1 = rng2.normal(0.0, 0.4, (N_FEAT, 16))    W2 = rng2.normal(0.0, 0.4, (16, 16))    Z = forward(X, A, W1, W2)          # 图神经网络提取的分子表示    Z = np.hstack([Z, np.ones((N_MOL, 1))])    # 多任务头: 5 个性质共享表示, 岭回归一次解出全部权重    W_head = np.linalg.solve(Z.T @ Z + 0.1 * np.eye(17), Z.T @ Y)    return Z, W_head  if __name__ == "__main__":    Z, W_head = train_and_predict(X, A, Y)    # 不确定性: 向表示注入随机噪声, 重复预测 50 次观察波动    preds = np.stack([        (Z + rng.normal(0.0, 0.05, Z.shape)) @ W_head        for _ in range(50)    ])    mean_p = preds.mean(axis=0)    std_p = preds.std(axis=0)    prop_names = ["Abs", "Dis", "Met", "Exc", "Tox"]    for i in range(N_MOL):        parts = [            "{}:{:.2f}+-{:.2f}".format(prop_names[j], mean_p[i, j], std_p[i, j])            for j in range(5)        ]        print("Mol {} | {}".format(i + 1, "  ".join(parts)))
目的：用 NumPy 从零搭建一个极简图神经网络，演示「消息传递 → 图池化 → 多任务输出 → 不确定性估计」的完整 ADMET 预测流水线。
  1. A_hat = A / (A.sum(axis=-1, keepdims=True) + 1e-6)按原子的连接度归一化邻接矩阵，让每个原子收到的邻居消息权重之和为 1，避免大分子消息「爆炸」。
  2. return np.matmul(A_hat, H)消息传递本体：每个原子把自己的特征按权重广播给邻居，并收回邻居的汇总信息。
  3. H1 = np.maximum(message_pass(X, A) @ W1, 0.0)一轮「听讲 + 思考」：先聚合邻居消息，再乘权重矩阵做线性变换，最后用 ReLU 激活。
  4. H2 = message_pass(H1, A) @ W2第二轮消息传递，让「邻居的邻居」的信息也能传过来，扩大每个原子的视野。
  5. return H2.mean(axis=1)图池化：把所有原子向量平均成分子级向量，相当于「老板汇总全组意见」。
  6. W_head = np.linalg.solve(Z.T @ Z + 0.1 * np.eye(17), Z.T @ Y)多任务输出头：5 个 ADMET 性质共享同一个分子向量，用岭回归一步解出全部权重。
  7. (Z + rng.normal(0.0, 0.05, Z.shape)) @ W_head微小扰动下的重复预测：模拟「同一问题多问几遍」，用结果差异衡量不确定性。

常见误区

误区模型给出吸收率 85%，我就直接把 85% 写进项目周报，当成这个分子的实验吸收率了。

正解模型输出是基于历史数据的统计估计，不是实验测量值。ADMET 数据库中不同实验室、不同条件下的数值本来就存在系统差异，模型学到的是「大概率规律」而非某个分子的真实常数。所有预测值都应标注「预测」，最终决策必须以湿实验复核为准。

为何常见：数值越精确，人越容易下意识地当真，这是一种「精确性错觉」。

误区我再爬 10 万条 ADMET 数据喂进去，模型精度肯定翻倍。

正解ADMET 数据的噪声远大于通用图像数据：同一分子在不同实验室测出的代谢率可能相差一倍。盲目堆量会把互相矛盾的标签一起塞给模型，反而增大偶然不确定性。高质量、结构多样、清洗彻底的几千条数据，常常比脏兮兮的十万条更有用。

为何常见：深度学习「数据为王」的普遍印象，忽略了对实验数据异质性的考量。

误区AI 说这个分子吸收、分布、代谢、排泄、毒性全部达标，那它肯定能成药上市！

正解ADMET 达标只是成药的必要条件，不是充分条件。药效是否显著、合成成本是否可及、专利能否保护、临床方案是否合理、监管是否放行，每一环都可能拦路。模型输出只是「通关概率预报」，不是上市通行证。

为何常见：把必要条件误当作充分条件，是新手最容易犯的逻辑跳跃。

误区我用 train_test_split 随机切分，测试集 AUROC 到了 0.95，模型稳了。

正解分子数据里大量结构相似的分子，随机切分会让同骨架分子同时出现在训练集和测试集，模型靠「记形状」就能拿高分，这就是数据泄漏。真实场景要预测的是全新骨架，必须用 scaffold split（按母核骨架分组）切分，才能模拟「没见过的新包裹」。

为何常见：通用机器学习教程的随机划分惯例被直接照搬，没有考虑化学结构高度相关的特殊性。

面试题

Q1. ADMET 中字母 D 对应药物研发的哪个环节？

单选题 · easy

  • A.药物在体内的吸收过程
  • B.药物在体内的分布过程← 正确答案
  • C.药物在体内的代谢过程
  • D.药物在体内的排泄过程

答案：B。D 是 Distribution（分布），指药物从血液进入组织器官的过程。比喻成快递就是包裹过了城门后能否被送到目标街区。A 对应吸收，C 对应代谢，D 对应排泄，只有 B 正确。

Q2. 下列哪一项是描述分子结构的 SMILES 字符串？

单选题 · easy

  • A.CCO 代表乙醇分子← 正确答案
  • B.3.14159 圆周率数值
  • C.0x1A2B 十六进制数
  • D.10010110 二进制串

答案：A。SMILES 用一行 ASCII 字符描述原子与化学键，CCO 正是乙醇。其余选项分别是圆周率、十六进制数和二进制串，都不是化学结构的字符编码。好比包裹面单的编码格式是一行文本，而不是数字或十六进制码。

Q3. 分子指纹（如 ECFP/Morgan 指纹）的本质是什么？

单选题 · mid

  • A.哈希成固定长度位向量← 正确答案
  • B.生成分子三维空间结构
  • C.存储实验测量的数值
  • D.翻译成自然语言描述

答案：A。ECFP 等指纹把分子局部结构信息哈希成固定长度的 0/1 位串，相当于包裹的「条形码」。它不直接生成三维结构、不存实验数据，也不是自然语言，因此只有 A 正确。

Q4. 图神经网络中「消息传递」的主要作用是？

单选题 · mid

  • A.把分子拆成独立原子逐个预测
  • B.让每个原子聚合邻居信息← 正确答案
  • C.把分子质量换算成摩尔浓度
  • D.对分子坐标做旋转对齐

答案：B。消息传递让每个原子反复接收并聚合邻居原子的信息，相当于快递员听取邻居的「悄悄话」。它恰恰反对「独立原子各自预测」，更与质量换算、坐标旋转无关，故选 B。

Q5. 多任务学习在 ADMET 预测中的优势包括哪些？

多选题 · mid

  • A.多个任务共享分子表示← 正确答案
  • B.缓解单一任务标注稀疏← 正确答案
  • C.完全替代实验测量
  • D.利用任务间相关性补全← 正确答案

答案：ABD。多任务学习让吸收、分布、代谢、排泄、毒性共享底层的分子表示，毒性等标注稀少的任务可以借力数据充足的任务，同时利用性质间的相关性互相约束。但它输出的是预测估计，绝不能替代实验测量，因此 C 不选。

Q6. 认知不确定性（epistemic uncertainty）主要源于什么？

单选题 · mid

  • A.实验仪器本身的测量噪声
  • B.训练数据未覆盖的模型无知← 正确答案
  • C.标签样本的人为录入错误
  • D.分子固有的构象波动

答案：B。认知不确定性来自模型对未覆盖化学空间的无知，好比老师傅第一次遇到新街区，可以通过补充多样化数据来降低。测量噪声、录入错误、构象波动都属于数据本身的随机性，是偶然不确定性，故选 B。

Q7. 为什么 ADMET 预测中常用 scaffold split 而不是随机划分数据？

单选题 · hard

  • A.随机划分会导致同骨架分子泄漏← 正确答案
  • B.脚手架划分能让分子量完全一致
  • C.按骨架切分能提升训练集准确率
  • D.随机划分会让模型更容易训练

答案：A。随机划分时，结构相似的分子会同时出现在训练集和测试集，模型靠记忆相似形状拿高分，产生数据泄漏；scaffold split 按母核骨架分组，模拟「预测全新骨架」的真实场景。它不能让分子量一致，也不是为了提高训练集分数，选 A。

Q8. ADMET 中哪个环节主要与肝脏的 CYP450 酶系统相关？

单选题 · easy

  • A.吸收环节与肠道通透性相关
  • B.分布环节与血浆蛋白结合相关
  • C.代谢环节与 CYP450 酶相关← 正确答案
  • D.排泄环节与肾小球滤过相关

答案：C。肝脏是 CYP450 酶系统的集中地，负责对药物进行 I 相 / II 相代谢改造，正是快递故事里的「中央分拣中心」。肠道通透属于吸收，血浆蛋白结合属于分布，肾小球滤过属于排泄，故选 C。

Q9. 关于 ADMET 模型的不确定性估计，下列说法正确的有？

多选题 · hard

  • A.MC Dropout 可估计认知不确定性← 正确答案
  • B.偶然不确定性可通过加数据降低
  • C.高不确定性候选应优先实验验证← 正确答案
  • D.多任务学习可直接输出概率区间

答案：AC。MC Dropout 通过多次随机前向计算的方差估计认知不确定性；高不确定的分子应进入实验复核队列而非直接决策。偶然不确定性是数据固有噪声，加数据无法消除；多任务学习输出的是预测值，若要输出概率区间需额外设计方差头，因此 B、D 错误。

Q10. 关于 ADMET 模型的评估，下列说法正确的有？

多选题 · hard

  • A.AUC 用于衡量二分类排序性能← 正确答案
  • B.RMSE 用于衡量回归预测误差← 正确答案
  • C.随机划分能完全避免数据泄漏
  • D.测试集与训练集必须保持独立← 正确答案

答案：ABD。分类任务（如毒性）用 AUC 衡量模型把正样本排在前面的能力；回归任务（如清除率）用 RMSE 衡量误差大小；测试集与训练集必须独立，否则评估失真。但随机划分在分子数据中无法避免同骨架分子泄漏，C 错误，故选 A、B、D。