把药物研发想象成经营一家覆盖全身的“快递公司”。每一种候选药物，都是一只等待寄出的包裹，收件人可能是心脏、肝脏，或是大脑深处的病灶。但在包裹送到之前，必须通过五道关卡：能不能进站（吸收）、能不能送对人（分布）、在中转站会不会被改得面目全非（代谢）、用完之后怎么处理（排泄）、运输途中会不会伤人（毒性）。这五道关卡串起来，缩写为 ADMET，是每一粒药从实验室走向药柜之前，必须通过的“物流资质审查”。 ADMET 的本质，是回答一个问题：这个分子在人体内到底经历了什么？药效再好的分子，如果吸收太差、代谢太快、毒性太强，也无法成为真正的药物。传统上，ADMET 依赖昂贵且漫长的动物实验；而今天，AI 工程师可以用机器学习模型，在几毫秒内对新分子做“虚拟物流审查”，提前筛掉大量注定翻车的候选物。

岗位关联

理解 ADMET 原理，是 AI+医疗工程师把分子结构的“货单”翻译成候选药物“可通行指数”的底层能力。掌握它，你就能用 AI 提前识别高风险分子，为药企节约千万级研发成本。

目录
  1. 可视化演示
  2. ADMET基本概念
  3. 吸收与分布
  4. 代谢与排泄
  5. 毒性预测
  6. AI算法模型
  7. 数据与特征
  8. 性能评估优化
  9. 应用与局限
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

演示ADMET五维性质、吸收P450代谢预测、毒性评估与多目标优化，直观展示候选药物在体内安全有效的关键评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

ADMET五维性质 吸收分布代谢 排泄+毒性 五个维度共同决定药物能否安全有效发挥作用

ADMET基本概念

新药分子就像一只等待发出的快递包裹。在快递公司里，包裹进站、分拣、运输、投递、回收都有完整的物流追踪；在药理学中，这套追踪系统叫 ADMET——分别代表吸收（A）、分布（D）、代谢（M）、排泄（E）和毒性（T）。如果不看这五步，一粒药就算在试管里再有效，也未必能成为真正合格的药。

ADMET 是连接“化学分子”与“治病药物”的桥梁。科研人员筛出一个分子，好比造出一台概念跑车；但路上能不能跑、油耗多大、排放是否超标，都需要在统一规则下验证。药代动力学（Pharmacokinetics）就是用数学描述药物在体内的“来龙去脉”，而 ADMET 正是它的核心骨架。

药代动力学中，最常见的综合指标是半衰期（half-life），即药物浓度降到初始值一半所需的时间。它像快递公司的“包裹清仓周期”，直接决定给药频率和蓄积风险。

半衰期就像快递公司的平均清仓周期。仓库里包裹半年都处理不完，资金周转就会出问题；药物半衰期太长，重复给药可能蓄积中毒，太短又达不到治疗效果。ADMET 的每个环节，都在为这个“物流周期”把关。

t1/2=0.693ke\displaystyle t_{1/2} = \frac{0.693}{k_e}
半衰期公式：药物浓度减半所需时间等于 0.693 除以消除速率常数。消除越快，半衰期越短。
  1. 半衰期 $t_{1/2}$药物在体内浓度降低到初始值一半所需的时间，单位通常是小时。它是 ADMET 代谢与排泄综合能力的直观体现。
    t1/2t_{1/2}
  2. 常数 0.693这是自然对数 $\ln 2$ 的近似值，来源于一级消除动力学中浓度衰减到一半的数学推导。
    0.693≈ln⁡20.693 \approx \ln 2
  3. 消除速率常数 $k_e$单位时间内药物被消除的比例。例如 $k_e = 0.0693\,\text{h}^{-1}$ 表示每小时清除体内剩余药量的 6.93%。
    kek_e

吸收与分布

包裹要上路，第一步是进站。吸收，就是药物从给药部位（肠道、皮肤、肺部等）进入血液循环的过程。口服药要跨过胃肠壁细胞这道“安检闸机”，而静脉注射则相当于直接走内部通道，绕过了吸收环节。

吸收得好不好，用生物利用度（Bioavailability）来衡量。它定义为口服给药后进入体循环的药量相对于静脉注射的比例，用“药时曲线下面积”（AUC，即浓度-时间曲线围出的总面积）代表总暴露量。

分布，则是包裹从干线运输进入各城区的过程。药物进入血液后随循环系统流向全身组织，但不同组织对药物的“收货意愿”不同——脂溶性强的分子容易进入脂肪组织，而水溶性分子则更多停留在血液中。血脑屏障尤其特殊，它像大脑的“高级别安保区”，只放行特定脂溶性小分子，这对治疗神经系统疾病的药物设计是巨大挑战。

吸收与分布，决定了包裹能否按时到达正确的收件人手中。一个生物利用度太低的候选药，就像总在转运中心“丢件”的快递，连起效的机会都没有。

F=AUC口服AUC静脉×100%\displaystyle F = \frac{AUC_{\text{口服}}}{AUC_{\text{静脉}}} \times 100\%
生物利用度：口服暴露量除以静脉暴露量。静脉注射为 100%，口服通常低于此值。
  1. AUC（药时曲线下面积）给药后血浆药物浓度随时间变化的曲线与时间轴围成的面积，反映药物在体内的总暴露量。
    AUC=∫0∞C(t) dtAUC = \int_{0}^{\infty} C(t)\,dt
  2. $AUC_{\text{口服}}$口服给药后测得的曲线下面积，受吸收程度影响。
    AUC口服AUC_{\text{口服}}
  3. $AUC_{\text{静脉}}$静脉注射后的曲线下面积，作为完全吸收的基准。
    AUC静脉AUC_{\text{静脉}}
  4. 生物利用度 $F$两者之比，代表口服药物最终有多少比例进入体循环。
    F=AUC口服AUC静脉F = \frac{AUC_{\text{口服}}}{AUC_{\text{静脉}}}

代谢与排泄

包裹在中转站会被重新加工和贴标，这一过程对应药物的代谢。肝脏是人体最大的“药物中转车间”，其中 CYP450 酶系（细胞色素 P450 酶家族）承担了绝大多数药物的改造工作——把脂溶性的原药转化为更容易排出的水溶性代谢物。

代谢有多快、多稳定，直接影响药效持续时间。描述 CYP450 酶催化反应的经典方程是 Michaelis-Menten 方程：

代谢之后是排泄。肾脏是最主要的“废弃物回收站”，通过尿液排出代谢产物；部分药物也经胆汁进入肠道随粪便排出。排泄效率决定了药物在体内停留的总时长，与代谢一起合称“消除”。半衰期正是综合这两者的宏观指标——如果代谢快且排泄畅，半衰期短，需要频繁给药；反之则可能蓄积中毒。

CYP450 车间一旦异常，就像快递中转站的传送带出了故障——包裹堆积、货物变质。因此，代谢稳定性评估是候选药物进入临床前的关键体检项目。

V=Vmax⁡×[S]Km+[S]\displaystyle V = \frac{V_{\max} \times [S]}{K_m + [S]}
米氏方程：代谢反应速率随药物浓度增加而上升，但受最大速率限制。Km 越小，酶与药物的亲和力越强。
  1. 反应速率 $V$单位时间内代谢掉的药物量，相当于中转车间每小时改造的包裹数。
    VV
  2. 最大反应速率 $V_{\max}$所有酶都被药物占满时能达到的最大改造速度。
    Vmax⁡V_{\max}
  3. 底物浓度 $[S]$当前血液中的药物浓度，即送入车间的包裹数量。
    [S][S]
  4. 米氏常数 $K_m$达到一半最大速率时的药物浓度，反映酶与药物的亲和力。$K_m$ 越小，亲和力越强。
    KmK_m

毒性预测

物流运输中最怕什么？是危险品泄漏和运输事故。药物的毒性，就是那辆可能出事故的“危险品卡车”。ADMET 中的 T 要求我们在发货前评估每一种候选分子的潜在危害。

毒性预测中最受关注的终点包括：hERG 毒性（抑制心脏 hERG 钾离子通道，可能引发心律失常）、肝毒性（药物或代谢物损伤干细胞）、致癌性与致突变性（损伤 DNA 引发癌症或遗传突变）。传统上这些毒理实验需要大量动物实验和细胞实验，周期长、成本高。

AI 的介入，让毒性预测变成了一个分类问题：给定分子的结构特征，预测它“有毒”还是“无毒”。最基础的模型是逻辑回归，其核心是 sigmoid 函数：

毒性预测像给每个包裹贴上“危险品等级标签”。AI 模型能在几毫秒内给成千上万个候选分子做安检，把最高风险的包裹提前拦截在站外。当然，预测不是判决书——高风险提示需要慎行，而非直接否定。

P(y=1)=11+e−(w⋅x+b)\displaystyle P(y=1) = \frac{1}{1 + e^{-(w \cdot x + b)}}
逻辑回归：把分子特征的加权求和结果映射到 0~1 之间，作为毒性概率。概率越高，风险越大。
  1. 加权求和 $w \cdot x$每个分子特征（如分子量、脂溶性）乘以对应权重后累加，相当于给包裹各项指标打分。
    w⋅x=∑jwjxjw \cdot x = \sum_{j} w_j x_j
  2. 偏置 $b$模型可学习的偏移量，调整整体判断基准。
    bb
  3. 指数 $e^{-(w \cdot x + b)}$自然指数函数，将任意分数压缩到正数区间，便于转换为概率。
    e−(w⋅x+b)e^{-(w \cdot x + b)}
  4. 概率 $P(y=1)$最终输出的毒性概率，范围在 0 到 1 之间。超过 0.5 通常判为高风险。
    P(y=1)∈[0,1]P(y=1) \in [0,1]

AI算法模型

有了物流规则，还需要智能调度中心来加速决策。传统实验测定一个分子的 ADMET 性质需要数周，而 AI 模型可以在几分钟内处理数百万个分子，充当药物发现中的“超级调度员”。

从算法演进看，ADMET 建模经历了四个阶段：机器学习（随机森林、梯度提升，特征由人工设计）→ 深度学习（多层神经网络自动提取高维特征）→ 图神经网络（把分子结构看作原子节点、化学键边，直接学习拓扑信息）→ 迁移学习（利用预训练分子模型，在小数据集上微调，适应特定毒性终点）。

分类模型的训练目标，是最小化预测分布与真实标签之间的差距，常用交叉熵损失：

智能调度中心越先进，包裹流转效率就越高。图神经网络特别擅长像“读地图”一样理解分子三维结构，而迁移学习则让调度中心能够借鉴其他城市的经验，快速适应新任务。今天的 ADMET 建模，已经不只是“预测”，而是“设计指导”。

L=−∑iyilog⁡(pi)\displaystyle L = -\sum_{i} y_i \log(p_i)
交叉熵损失：真实标签与预测概率的对数之积求和后取负。预测越离谱，损失越大。
  1. 真实标签 $y_i$第 $i$ 个样本的真实类别，如毒性为 1、无毒为 0。
    yiy_i
  2. 预测概率 $p_i$模型输出的该样本属于类别 1 的估计概率。
    pip_i
  3. 自然对数 $\log(p_i)$对数函数使低概率预测产生更大惩罚，避免模型“过度自信地犯错”。
    log⁡(pi)\log(p_i)
  4. 求和 $\sum_{i}$对所有训练样本的损失累加，构成总损失。
    ∑i=1N\sum_{i=1}^{N}

数据与特征

再聪明的调度中心，也需要一张标准的快递单。ADMET 模型的第一步，就是把分子结构变成可计算的“快递单字段”，也就是特征工程。

最常用的两类特征：分子描述符（如分子量、脂水分配系数 logP、氢键供体/受体数量等，捕捉分子的理化性质）和分子指纹（把分子编码成固定长度的 0/1 位向量，保留局部结构信息，如 ECFP 环形指纹）。两者互为补充：描述符回答“这个分子像什么样的包裹”，指纹回答“包裹上长着哪些标签”。

衡量两个分子“长得像不像”，常用 Tanimoto 系数：

数据集的构建是 ADMET 建模的土壤。公开数据库（如 ChEMBL、PubChem）与专利文献是主要来源，但存在来源异质、活性标记不一致、类别不平衡等问题。数据预处理——去重、标准化、清洗异常值——好比把残缺的快递单补全，把错误地址纠正，这些步骤决定了模型上限。数据质量永远比模型复杂度更重要。

T(A,B)=∣A∩B∣∣A∪B∣\displaystyle T(A, B) = \frac{|A \cap B|}{|A \cup B|}
Tanimoto 系数：两个分子指纹交集大小除以并集大小，值越接近 1 越相似。
  1. 交集 $A \cap B$两个分子指纹中同时为 1 的位点数，即共有的结构特征数。
    A∩BA \cap B
  2. 并集 $A \cup B$两个指纹中至少一个为 1 的位点总数。
    A∪BA \cup B
  3. 基数 $| \cdot |$统计集合中的元素个数。
    ∣A∩B∣，∣A∪B∣|A \cap B|，|A \cup B|
  4. Tanimoto 系数 $T(A,B)$相似度得分，范围 0~1。常用于聚类、去重和相似性搜索。
    T(A,B)∈[0,1]T(A,B) \in [0,1]

性能评估优化

调度中心上线前，必须用 KPI 仪表盘检验它的可靠性。ADMET 模型最常见的 KPI 是 ROC-AUC：它衡量模型正确排列正负样本的能力——随机猜测是 0.5，完美模型是 1.0。

ROC 曲线的横纵轴分别是假正类率（FPR）与真正类率（TPR），AUC 是曲线下的面积：

除了评估指标，交叉验证（把数据分成多份轮流训练与验证）和超参数调优（网格搜索、贝叶斯优化）是提升模型稳健性的常规手段。近年来，不确定性量化（预测时同时输出置信区间）越来越受重视——高置信预测可直接采信，低置信样本则建议补充实验。这就像物流系统对“派送成功率”给出概率，而不是简单地说“能到”或“不能到”。

评估优化的目标，不是追求一条曲线有多漂亮，而是让模型在真实研发场景中经得住考验。毕竟，一次误判可能让一个本来安全的药物被冤枉，或让一个致命分子蒙混过关。

AUC=∫01TPR d(FPR)\displaystyle AUC = \int_{0}^{1} \text{TPR} \, d(\text{FPR})
AUC：在不同阈值下，真正类率对假正类率的积分。AUC 越高，模型排序能力越强。
  1. 真正类率 TPR所有真实有毒的样本中，模型正确识别为有毒的比例。
    TPR=TPTP+FN\text{TPR} = \frac{TP}{TP + FN}
  2. 假正类率 FPR所有真实无毒的样本中，被模型误判为有毒的比例。
    FPR=FPFP+TN\text{FPR} = \frac{FP}{FP + TN}
  3. 积分 $\int$对从 0 到 1 连续变化的阈值进行累积求和。
    ∫01TPR d(FPR)\int_{0}^{1} \text{TPR} \, d(\text{FPR})
  4. AUC 值曲线下面积大小，既衡量区分度，又直观可比。
    AUC∈[0.5,1.0]\text{AUC} \in [0.5, 1.0]

应用与局限

当整套智能物流系统部署完毕，ADMET 模型便从实验室走向工业流水线。其最直接的应用是候选药物虚拟筛选：在合成任何分子之前，先用 AI 对数十万虚拟分子库进行 ADMET 初审，把吸收差、毒性高的分子剔除，只保留最有希望的少数进入合成与实验环节。

在临床试验优化中，ADMET 预测可与群体药代动力学结合，在 I 期试验开始前估算初始给药剂量与安全窗口，指导受试者的剂量爬坡方案。这相当于在正式发车之前，先用交通仿真跑一遍所有可能路线。

但挑战依然存在。监管挑战是最突出的一环：各国药品监管机构对“纯 AI 做出的 ADMET 结论”是否采信仍保持谨慎，模型的可解释性和训练数据质量成为审评重点。FDA 近年来陆续发布关于 AI/ML 在药物开发中应用的讨论文件，但完整落地仍需时间。未来趋势则是多模态融合——将分子结构、基因表达、蛋白质相互作用等多种数据统一建模，以及利用联邦学习在保护各机构数据隐私的前提下共建共享模型。

从进站到清仓，从危险品筛查到智能调度，ADMET 的物流隐喻贯穿始终。AI 不会取代药物学家和临床试验，但会像新一代物流管理系统一样，让整个链条更高效、更安全、更可预测。

AI 应用场景

候选药物 hERG 毒性虚拟筛查

阶段：模型训练与推理预测

解决的问题：传统 hERG 毒性检测依赖膜片钳实验，通量低、成本高，一个化合物需耗时数周，无法在药物发现早期大规模开展。AI 模型用图神经网络对分子结构直接编码，几毫秒即可输出 hERG 风险评分，把筛查通量提升几个数量级。

具体案例：某 AI 制药公司在心血管候选药物项目中，对一万个虚拟分子先用 hERG 分类模型过滤，保留风险评分低于阈值的 300 个分子做实验验证，实验命中率从原来的 5% 提升到 18%，大幅节省了膜片钳实验资源。

CYP450 代谢稳定性回归预测

阶段：特征工程与回归建模

解决的问题：代谢速度过快的候选药需要每日多次给药，患者依从性差；代谢过慢又容易蓄积中毒。传统肝微粒体实验需要新鲜肝组织和数天时间，无法满足大规模筛选需求。

具体案例：某药企用分子指纹 + 梯度提升回归模型，在临床前阶段预测化合物在大鼠和人肝微粒体中的固有清除率。模型在验证集上的对数误差 MSE 达到 0.42，帮助团队在合成前就把代谢不稳定的分子直接淘汰。

临床试验初始剂量设计辅助

阶段：预测与决策支持

解决的问题：I 期临床试验首次人体给药剂量的选择，需要综合动物药代数据、体外 ADMET 和毒性数据。传统方法依赖经验公式，不确定性大，存在安全隐患。

具体案例：某临床药理团队将候选药物的 AI 预测 ADMET 参数（吸收速率、清除率、分布容积）输入群体药代动力学模型，通过蒙特卡洛模拟生成不同起始剂量的暴露分布，辅助伦理委员会和监管机构审批，将首剂量选择周期缩短约 30%。

Python 演示

python83 行
# ADMET毒性预测演示:用逻辑回归筛选潜在hERG高风险分子# 特征向量: [芳香环数, 碱性氮, 亲脂性logP, 分子量, 氢键供体, 氢键受体, 可旋转键数, 极性表面积]import math samples = [    ([1, 1, 2, 450, 0, 3, 4, 95], 1),    ([0, 0, 1, 330, 1, 2, 2, 70], 0),    ([1, 1, 3, 520, 0, 4, 5, 110], 1),    ([0, 0, 1, 280, 1, 1, 1, 55], 0),    ([1, 1, 2, 480, 0, 3, 3, 100], 1),    ([0, 0, 0, 260, 1, 1, 0, 45], 0),    ([1, 0, 2, 410, 0, 2, 3, 90], 1),    ([0, 0, 1, 300, 1, 2, 2, 60], 0),] def get_normalizer(data):    n_feat = len(data[0][0])    mins = [min(row[0][j] for row in data) for j in range(n_feat)]    maxs = [max(row[0][j] for row in data) for j in range(n_feat)]    return mins, maxs def normalize(features, mins, maxs):    result = []    for j in range(len(features)):        if maxs[j] > mins[j]:            result.append((features[j] - mins[j]) / (maxs[j] - mins[j]))        else:            result.append(0.0)    return result class ToxicityModel:    def __init__(self, n_feature):        self.weights = [0.0] * n_feature        self.bias = 0.0        self.train_count = 0     def predict_proba(self, features):        score = self.bias        for i, val in enumerate(features):            score += self.weights[i] * val        if score > 0:            return 1.0 / (1.0 + math.exp(-score))        e = math.exp(score)        return e / (1.0 + e)     def train(self, data, labels, epochs=20, lr=0.3):        for _ in range(epochs):            for features, label in zip(data, labels):                prob = self.predict_proba(features)                error = label - prob                for i in range(len(features)):                    self.weights[i] += lr * error * features[i]                self.bias += lr * error            self.train_count += 1 def main():    mins, maxs = get_normalizer(samples)    X = [normalize(row[0], mins, maxs) for row in samples]    y = [row[1] for row in samples]     model = ToxicityModel(len(X[0]))    model.train(X, y, epochs=20, lr=0.3)     print("训练完成,验证训练集预测:")    for row, label in zip(samples, y):        features = normalize(row[0], mins, maxs)        prob = model.predict_proba(features)        pred = 1 if prob >= 0.5 else 0        mark = "OK" if pred == label else "ERR"        print("  %s 毒性概率=%.2f 预测=%d 实际=%d %s" % (row[0], prob, pred, label, mark))     new_molecule = [1, 0, 2, 380, 0, 2, 3, 85]    features = normalize(new_molecule, mins, maxs)    prob = model.predict_proba(features)    print("新分子特征:", new_molecule)    print("预测hERG毒性概率: %.2f" % prob)    if prob >= 0.5:        print("结论:高风险,建议淘汰或结构优化")    else:        print("结论:低风险,可进入下一轮研究") if __name__ == "__main__":    main()
目的：演示用分子特征训练逻辑回归模型，对候选药物进行 hERG 毒性二元分类，是 AI+ADMET 中最简单且可解释的基线方法。
  1. def normalize(features, mins, maxs)对原始特征做 min-max 归一化，让不同量纲的特征进入同一尺度，防止分子量等大数值主导梯度下降。
  2. class ToxicityModel封装逻辑回归模型，包含权重向量与偏置，训练使用梯度上升的等效更新方式。
  3. self.train_count = 0记录训练轮数，属性用 _count 后缀避免与 train 方法同名冲突。
  4. def predict_proba(self, features)计算线性得分后经 sigmoid 映射为毒性概率，即文章中的 $P(y=1)$ 公式。
  5. if score > 0数值稳定性处理，避免极大正得分导致 math.exp 溢出。
  6. error = label - prob梯度更新中的残差项：预测概率与真实标签的差，驱动权重向正确方向调整。
  7. test_features = [1, 0, 2, 380, 0, 2, 3, 85]构造一个虚拟候选分子，观察模型对新分子的判别。

常见误区

误区我是做 AI 的，先把分子活性筛出来，ADMET 等做完动物实验再说。这个观念让我早期浪费了很多算力在注定失败的分子上。

正解ADMET 预测应当嵌入分子设计的“第一道过滤器”。AI 可以在分子尚未合成前就对其吸收、代谢、毒性做出预估，把高风险分子直接挡在门外。就像物流公司在接单前就查询收件地址是否可达，而不是等包裹上路后才发现问题。

为何常见：传统研发流程是“合成-测试-再合成”的线性思维，许多教材也把 ADMET 放在临床前研究章节，导致非药学背景的人误以为它是后期工作。

误区模型输出 hERG 风险高，这个分子就直接淘汰吧，不用再看了。

正解hERG 通道抑制是延长 QT 间期的重要风险因素，但不是唯一决定因素。真实心律失常还涉及多个离子通道（钠、钙通道）的联合作用、心率、代谢物活性等。AI 预测的 hERG 风险更像“预警信号”，提示需要更深入的电生理验证，而不是最终判决书。

为何常见：人们喜欢把多因素风险简化为单一二元标签，加上 hERG 在监管指南中曝光率高，容易被当作一票否决项。

误区ECFP 的半径为 6 肯定比半径为 4 好，再加几百个附加位点一定提升预测效果。

正解过长的指纹会带来维度灾难和稀疏性问题：数据量有限时，大量特征位几乎全为 0，模型容易过拟合。实际项目中，ECFP4 + 少量理化描述符在多数 ADMET 任务上往往与 ECFP6 相当，且训练更快、更易解释。特征质量与数据量匹配，比盲目追求“更细”更重要。

为何常见：直觉告诉我们“分辨率越高越好”，但在小样本高维稀疏数据下，这一直觉会适得其反。

误区我的模型 AUC 到了 0.95，说明分类效果完美，可以直接部署筛选平台。

正解AUC 只衡量排序能力，不反映概率校准和实际误报代价。真实候选库中有毒分子比例可能只有 0.1%，此时即使 AUC 很高，模型产生的假阳性数量也极大，导致实验验证成本失控。需要补充精确率-召回率曲线、校准曲线和成本敏感分析，甚至设置更合理的决策阈值。

为何常见：AUC 是论文和竞赛中最常用的指标，容易让人忽略它对类别不平衡的迟钝性。

误区大鼠实验显示这个分子吸收很好、半衰期 6 小时，人体应该也差不多，直接按这个数据设计临床试验。

正解不同物种的 CYP450 酶亚型、蛋白结合率、肠道菌群和代谢途径差异巨大。大鼠的 CYP3A 与人源 CYP3A4 在底物特异性和代谢速率上都有明显不同。AI 模型常需要额外采集人源化数据，或通过跨物种迁移学习修正预测，而不能简单照搬动物实验结果。

为何常见：动物实验长期作为临床前金标准，“动物有效→指导人体”的直觉根深蒂固，但药物研发史上因物种差异导致的失败案例比比皆是。

面试题

Q1. ADMET 中的 “A” 代表什么？

单选题 · easy

  • A.吸收 (Absorption)← 正确答案
  • B.分布 (Distribution)
  • C.代谢 (Metabolism)
  • D.消除 (Elimination)

答案：A。ADMET 五字母分别对应吸收、分布、代谢、排泄、毒性。A 是吸收（Absorption），指药物从给药部位进入血液循环的过程；D 是分布，M 是代谢，E 是排泄（Excretion），T 是毒性。

Q2. 以下哪些环节属于 ADMET 中“分布”的考察内容？

多选题 · mid

  • A.药物从血液进入组织器官← 正确答案
  • B.血脑屏障对脑内药物浓度的影响← 正确答案
  • C.肝脏 CYP450 对药物的氧化改造
  • D.肾脏对药物原形的滤过排出

答案：AB。分布是药物进入血液循环后被转运到各组织器官的过程，血脑屏障限制药物进入大脑也是分布环节的重要表现。肝脏 CYP450 氧化属于代谢（M），肾脏滤过排出属于排泄（E），不是分布。

Q3. 某药口服 AUC 为 20 mg·h/L，静脉注射 AUC 为 40 mg·h/L，其生物利用度 F 约为？

单选题 · easy

  • A.25%
  • B.50%← 正确答案
  • C.75%
  • D.100%

答案：B。生物利用度 F = AUC口服 / AUC静脉 × 100% = 20 / 40 × 100% = 50%，意味着口服给药后只有一半的药量进入了体循环。

Q4. hERG 通道抑制与下列哪种不良反应最相关？

单选题 · mid

  • A.肝细胞坏死
  • B.心脏 QT 间期延长← 正确答案
  • C.肾小球滤过率下降
  • D.血脑屏障破坏

答案：B。hERG 编码心脏快速延迟整流钾通道，其抑制会延缓心肌复极化，导致心电图 QT 间期延长，增加尖端扭转型室性心动过速风险。肝毒性、肾功能等与 hERG 直接相关性较低。

Q5. 在 ADMET 机器学习建模中，以下说法正确的有？

多选题 · hard

  • A.分子指纹可以将分子结构编码为位向量← 正确答案
  • B.图神经网络把原子作为节点、化学键作为边← 正确答案
  • C.分子描述符能表达分子量等理化性质← 正确答案
  • D.数据类别不平衡不影响毒性分类模型效果

答案：ABC。分子指纹将结构信息编码为固定长度 0/1 位向量；图神经网络把分子建模为原子-键图结构；分子描述符如分子量、logP 等是理化性质数值化表达。类别不平衡在毒性数据中很常见，会严重影响模型性能，D 错误。

Q6. CYP450 酶系主要参与哪类药物处置过程？

单选题 · mid

  • A.肾小管主动分泌
  • B.肝脏第一阶段氧化代谢← 正确答案
  • C.血浆蛋白结合
  • D.肠道菌群降解

答案：B。CYP450 是肝脏中最重要的药物代谢酶家族，主要催化 I 相氧化反应，引入或暴露极性基团，使药物更容易被后续 II 相结合反应或排泄处理。

Q7. 候选药物的毒性预测通常包括哪些内容？

多选题 · easy

  • A.hERG 心脏毒性← 正确答案
  • B.肝毒性← 正确答案
  • C.致癌与致突变性← 正确答案
  • D.药物片剂颜色

答案：ABC。ADMET 毒性预测关注的安全终点包括 hERG 通道抑制、肝细胞损伤、遗传毒性（致癌与致突变）、生殖毒性等。片剂颜色属于药剂学制剂外观范畴，与系统毒性无关。

Q8. 某候选药物的消除速率常数 ke = 0.0693 h⁻¹，其半衰期约为？

单选题 · hard

  • A.5 小时
  • B.10 小时← 正确答案
  • C.20 小时
  • D.30 小时

答案：B。根据半衰期公式 t½ = 0.693 / ke，代入 ke = 0.0693 得 t½ = 0.693 / 0.0693 = 10 小时。半衰期约 10 小时意味着大约每 10 小时药物浓度降至当前值一半。

Q9. 以下哪些策略能有效提升 ADMET 预测模型的可靠性？

多选题 · mid

  • A.使用交叉验证评估泛化能力← 正确答案
  • B.扩充经过清洗的高质量分子数据← 正确答案
  • C.引入领域知识并优化特征表示← 正确答案
  • D.用全部数据训练并在同一数据集上报告 AUC

答案：ABC。交叉验证能客观评估模型在未见数据上的表现；高质量数据和领域特征工程是模型性能的根本保障。D 是典型的“数据泄漏”错误做法——同一数据集既训练又评估会高估模型性能。

Q10. 在临床前 ADMET 综合评估中，以下哪项作为“成药性”直接判断依据最恰当？

单选题 · extreme

  • A.半衰期与生物利用度共同满足给药方案需求← 正确答案
  • B.分子在体外生化实验活性最高
  • C.分子含氟原子数量最多
  • D.化学合成步骤最简单

答案：A。成药性要求候选药物在疗效与安全性之间取得平衡，半衰期和生物利用度直接决定给药频率、暴露水平和蓄积风险，是临床方案可行性判断的基础。体外活性再高，若吸收和代谢性能不佳，也无法转化为临床价值。