ADMET预测：代谢排泄——药物体内的“清运系统”

可视化演示

展示KMP算法的字符串匹配过程，动态演示前缀表构建、模式串滑动与字符比较，对比朴素匹配的效率优势。

代谢清除率——城市清运的“吞吐量”

想象你所在的城市每天产生多少生活垃圾，环卫系统每小时能清运多少吨——这就是城市的“清除率”。药物在人体中的代谢清除率同样描述了一个核心问题：单位时间内，有多少药物被肝脏等器官从血液中“清走”。如果清运能力太强，药物还没来得及发挥作用就被“扫出城”；太弱，药物在体内堆积，可能产生毒性。

代谢清除率的关键参数是固有清除率（intrinsic clearance，药物的最大代谢能力）和肝血流量（肝脏每秒流过的血液量）。两者的关系，就像环卫车的装载能力和城市道路的通行速度——如果路太堵（血流量低），即使环卫车（代谢酶）再多，也来不及把垃圾运出去。这引出了著名的首过效应：口服药物被肠道吸收后，首先经过门静脉进入肝脏，如果肝脏代谢能力特别强，大量药物在第一次经过时就被“截获清除”，真正进入体循环的药量所剩无几。

AI在这一环节的贡献，是通过分子结构预测固有清除率。传统方法需要做大量体外实验（用肝细胞或微粒体孵育化合物，测定代谢速率），而基于分子图的神经网络模型，可以直接从分子结构预测这一速率，如同通过城市建筑的布局图直接推断垃圾产生量。

AI模型实际上是在预测公式中的CL_int：从分子的SMILES序列或二维分子图出发，经过图神经网络编码。训练数据来自数千个体外肝细胞实验，标签是实测代谢半衰期，模型学习“分子结构→代谢速率”的映射关系，输出值即为预测的固有清除率。

回到城市比喻：有了AI预测的“清运吞吐量”，药物化学家在设计化合物时就知道，自己设计的这个“街区”每天会产生多少“垃圾”（代谢物），从而决定是否需要调整“建筑布局”（分子结构），让清运系统不至于不堪重负。

代谢位点预测——找出“垃圾堆积点”

环卫系统要高效运转，不仅要知道总量，还得知道垃圾具体堆在城市的哪个角落。药物分子也是如此——代谢反应并不是发生在整个分子的每个原子上的，而往往集中在特定的“热点区域”，这些位置被称为代谢软点（metabolic soft spots）。找到这些软点，是药物化学家优化代谢稳定性的第一步。

AI在这个任务中扮演的角色像一位“垃圾定位专家”。它把分子中的每个原子看作一个潜在的反应中心，通过提取每个原子的局部环境特征（周围原子的种类、化学键类型、电子密度、立体化学信息），来判断这个原子被代谢酶攻击的可能性。这本质上是一个节点级分类任务：给定一个分子图，对每个原子和化学键打一个“代谢概率分”。

以CYP3A4介导的氧化代谢为例，最常见的反应包括碳羟化（碳原子上加一个羟基）和氮脱烷基（氮原子上的烷基被切掉）。模型输出的位点得分，正是对该原子发生这类反应的概率估计。

AI预测代谢位点后，药物化学家可以实施“软点改造”策略：将得分最高的原子部位用更稳定的基团替换，比如在碳氢键处引入氟原子，或用氮原子替代容易被氧化的碳原子。这就像环卫部门发现某处垃圾特别多的原因是垃圾桶设计不合理，于是更换一个更难被“塞满”的新型垃圾桶——分子的代谢稳定性因此提升，药物在体内的停留时间延长，半衰期和生物利用度均得到改善。

在城市比喻的语境下，代谢位点预测就是精确到“巷口”的垃圾堆积地图，让清运策略从“全城拉网”变为“定点清理”——效率提升一目了然。

CYP酶交互建模——了解“环卫工”的性格

不同种族的环卫工有不同的“口味”和“脾气”：有的偏爱可回收垃圾，有的对厨余垃圾格外敏感。在人体内，负责代谢药物的“环卫工”主要是CYP450酶系——一个包含众多亚型的大家族，其中CYP3A4、CYP2D6、CYP2C9等贡献了大部分药物的代谢。AI在CYP酶交互建模中的任务，主要包括三个层面：亚型分类（这个分子主要被哪位环卫工处理）、底物特异性（环卫工喜欢什么样的分子）、抑制与诱导（某些分子会不会让环卫工“罢工”或“加班”）。

CYP亚型分类是第一个经典任务。给定一个药物分子，模型需要判断它是否是CYP3A4的底物、CYP2D6的底物，还是谁的都不是。这本质上是一个多标签分类问题。抑制预测则更为关键——如果一个候选药物是CYP3A4的强抑制剂，当它与另一个依赖CYP3A4代谢的药物同时服用时，后者的代谢被阻断，血药浓度骤增，可能导致严重不良反应。这就是药物-药物相互作用（DDI）风险。

从技术角度看，这类模型通常基于分子指纹（如ECFP4）或分子图构建。以分子图为例，模型将原子和键编码为图结构，通过注意力机制自动识别哪些“子结构”（比如芳香环、叔胺基团）与特定CYP亚型的结合相关。

了解了“环卫工”的性格以后，药物化学家可以提前预判：如果自家分子是CYP2D6的抑制剂，而患者还可能服用另一种需要CYP2D6代谢的药物（如某些抗抑郁药），就会产生“抢环卫工”的冲突。AI建模让这种潜在的交互在研发早期就能被识别和规避，大大降低临床阶段的失败风险。

回到城市清运的比喻：每个CYP亚型就是一支有明确分工的环卫班组。AI模型做的事情，是提前告诉你，你的“垃圾”（药物）可能会引起哪个班组的注意，以及会不会导致某个班组“罢工”（抑制）或“疯狂加班”（诱导）——这直接关系到整个城市清运系统（联合用药）能否稳定运行。

排泄途径分类——垃圾出城的“分道扬镳”

代谢并不是药物清除的唯一出路。有些药物以原形直接排出体外，有些经过代谢后再排出。细胞外“清运”依赖两条主干道：肾排泄（经尿液排出）和胆汁排泄（经粪便排出）。一条药物走哪条路，取决于它的分子量、极性、电荷状态以及是否被特定的转运蛋白识别。

用城市比喻来说，肾排泄就像“焚烧处理厂”——小分子、水溶性好的药物（分子量通常小于500道尔顿）通过肾小球滤过进入尿液；胆汁排泄则像“回收中心”——分子量较大（大于500道尔顿）、脂溶性强的药物被肝脏摄取后分泌进入胆汁，随粪便离开。而转运蛋白在这中间扮演着“分拣机器人”的角色：有机阴离子转运多肽（OATP）负责把药物从血液搬进肝细胞，多药耐药蛋白（P-gp）则可能把药物从细胞里“泵”回肠道。

AI分类模型的输入是分子结构和理化性质（如logP、TPSA、氢键供体/受体数目），输出是该药物主要排泄途径的概率分布。这本质上是一个多分类问题，常用模型为梯度提升树（XGBoost）或图神经网络。训练数据来自临床前动物实验和人体ADME研究，标签为实测排泄途径。

预测得到的排泄途径直接影响药物的半衰期——肾排泄为主的药物如果肾功能不全患者服用，清除会变慢，半衰期延长，需要调整剂量。胆汁排泄为主且存在肠肝循环的药物（药物随胆汁排出后又从肠道重新吸收），其半衰期会显著延长，这正是AI预测排泄途径对临床用药方案的重要指导价值。

在城市清运系统中，知道垃圾最终去焚烧厂还是回收中心，决定了运输车的路线规划。药物研发同理——知道药物走肾还是走胆，决定了一个化合物是否有成药“钱景”：比如抗生素需要肾脏排泄以治疗尿路感染，而某些抗癌药则希望经胆道排泄避免肾毒性。AI让这条“分道扬镳”的决策在分子设计阶段就能做出。

给药方案优化——智能调度“清运节奏”

当你知道了药物的代谢清除率、代谢位点、CYP酶交互和排泄途径，你就掌握了一份药物在人体内的完整“清运档案”。接下来最重要的问题来了：应该给病人多少药、多久给一次？ 这就是给药方案优化——AI并非直接开处方，而是结合前述预测结果，帮助临床药理学团队仿真药物在体内的浓度变化曲线，设计最优的剂量和给药间隔。

核心思想来自药代动力学（PK）的经典模型：药物在体内的浓度变化服从一室或二室模型。一室模型假设药物进入体内后立即均匀分布，浓度按指数规律下降。清除率（CL）和表观分布容积（Vd）共同决定半衰期：

$$C_{\text{ss,avg}} = \frac{F \times D}{\text{CL} \times \tau}$$

AI如何发挥作用？传统的给药方案设计基于群体药代动力学，需要对大量患者采血测定浓度。而AI模型可以基于分子的预测清除率和分布容积，直接模拟出“虚拟患者”的血药浓度-时间曲线。更重要的是，个体差异考量——不同患者的肝肾功能、年龄、基因多态性（如CYP2C19慢代谢者）会显著影响清除率。AI可以结合患者的电子健康档案，给出个体化剂量建议，实现精准给药。

回到环卫比喻：如果城市不同区域的垃圾产量差异巨大（有的区每天产生10吨，有的只有1吨），清运车必须根据各区的实际情况灵活调度。AI就像给每个“患者区域”配置了一辆智能调度车——根据该区域的实时清运能力（肾功能、肝功能），动态调整垃圾收集频率（给药间隔）和垃圾桶容量（单次剂量），最终保证街头垃圾桶（血药浓度）始终处于“不空不满”的健康状态。

模型验证方法——给“AI环卫调度系统”上保险

任何AI模型在真正投入使用之前，都必须经过严格验证——否则就可能出现“AI推荐大剂量，病人却中毒了”的灾难。对于代谢排泄预测模型，验证的核心挑战在于：我们最终关心的是人体内的代谢行为，但训练数据往往来自体外实验（肝细胞、微粒体）或动物实验。如何保证预测在人体上也准确？这个问题的答案包含三个层面：体外体内外推、交叉验证与外部测试、预测准确度评估。

体外体内外推（IVIVE）是药代动力学领域的经典方法：通过体外实验测得固有清除率，再利用肝脏生理参数（如每克肝组织的肝细胞数、肝血流量）换算成体内的肝清除率。AI模型可以学习这个外推过程中的非线性校正因子——不同化合物的蛋白结合率差异、肝细胞摄取效率差异，都可以被模型学习。

交叉验证则用于评估模型在未见数据上的泛化能力。最常见的做法是K折交叉验证：将数据集随机分成K份，轮流用K-1份训练、1份测试。但代谢预测还存在一个特殊问题——数据泄漏。如果同一个骨架结构的类似化合物同时出现在训练集和测试集，模型可能通过“记忆相似结构”得到虚高的准确率。因此，更严谨的做法是进行支架分割（scaffold split）：确保训练集和测试集的分子骨架在结构上明显不同。

| 验证方法 | 目的 | 关键指标 |

|---------|------|---------|

| K折交叉验证 | 评估泛化能力 | 平均绝对误差（MAE） |

| 支架分割 | 避免结构记忆 | R²（决定系数） |

| 外部测试集 | 真实场景评估 | 阳性预测值（PPV） |

| 体内回测 | 验证IVIVE可靠性 | 预测值/实测值比率 |

表中的每一个指标，都对应一个关键的验证问题：MAE回答“预测误差平均多少”（100毫升/分钟和200毫升/分钟的预测误差意味着完全不同的临床决策）；R²回答“模型解释了真实数据中多少变化”；PPV回答“预测会被代谢的分子，有多少在真实实验中确实被代谢了”。外部测试集是终极检验——用模型完全没见过的、来自不同实验室或不同批次的数据，模拟真实部署场景。

在城市清运系统中，验证方法就如同对AI调度系统做全面压力测试：先用历史数据回测（交叉验证），再用从来没见过的城市布局模拟（外部测试集），最终还要在几个试点城区小规模试运行（前瞻性验证）。只有当预测的清运时间与实测误差在可接受范围内，系统才可能被推广到全市使用。

AI 应用场景

Python 演示

import numpy as npfrom rdkit import Chemfrom rdkit.Chem import AllChem, Descriptorsfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import roc_auc_score # 模拟一组训练数据: 分子SMILES + 每个原子的代谢位点标签(0或1)# 真实场景中需要用CYP代谢实验数据(如Li et al., 2020)标注train_smiles = [    "CC(C)NCC(O)COc1cccc2ccccc12",  # 普萘洛尔    "CN1CCC[C@H]1c2cccnc2",          # 尼古丁    "COc1ccc2cc(ccc2c1)C(=O)C",      # 萘普生    "O=C(O)C1CCCCC1",                 # 环己烷羧酸    "CCC(C)C(=O)OC1CCCCC1",           # 异丁酸环己酯] # 为每个分子模拟原子级标签: 1表示代谢软点atom_labels = [    [0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],    [0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],    [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0],    [0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0],    [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],] def featurize_atom(mol, atom_idx):    """提取单个原子的局部特征: 原子类型、度数、氢数、芳香性 + Morgan指纹鞍"""    atom = mol.GetAtomWithIdx(atom_idx)    morgan = AllChem.GetMorganFingerprintAsBitVect(mol, 2)    arr = np.zeros((0,), dtype=np.int8)    Chem.DataStructs.ConvertToNumpyArray(morgan, arr)    local_feats = [        atom.GetAtomicNum(),        atom.GetDegree(),        atom.GetTotalNumHs(),        int(atom.GetIsAromatic()),        int(atom.IsInRing()),    ]    # 取以该原子为中心的半径2环境指纹位    center_bits = np.zeros(1024, dtype=np.int8)    for i, bid in enumerate(morgan.GetOnBits()[:20]):        if bid < 1024:            center_bits[bid] = 1    return np.concatenate([np.array(local_feats), center_bits[:128]]) X, y = [], []for smi, labels in zip(train_smiles, atom_labels):    mol = Chem.MolFromSmiles(smi)    if mol is None:        continue    n_atoms = mol.GetNumAtoms()    for idx in range(n_atoms):        if idx < len(labels):            feats = featurize_atom(mol, idx)            X.append(feats)            y.append(labels[idx]) X = np.array(X, dtype=float)y = np.array(y) # 训练集与测试集划分X_train, X_test, y_train, y_test = train_test_split(    X, y, test_size=0.3, random_state=42, stratify=y) # 随机森林分类器clf = RandomForestClassifier(n_estimators=100, max_depth=5, random_state=42)clf.fit(X_train, y_train) # 预测并评估y_prob = clf.predict_proba(X_test)[:, 1]y_pred = (y_prob > 0.5).astype(int)auc = roc_auc_score(y_test, y_prob)print(f"Test AUC: {auc:.3f}")print(f"Predicted soft spots: {y_pred.sum()} atoms (of {len(y_pred)})")

1. featurize_atom提取原子的局部特征，包括原子类型、连接度、氢数、芳香性和Morgan子结构指纹，这些特征表达了“这个原子周围的化学环境”。
2. AllChem.GetMorganFingerprintAsBitVect(mol, 2)计算半径2（相当于两跳邻居）的拓扑指纹，类比“环卫工”观察垃圾袋方圆两米内的环境。
3. train_test_split(..., stratify=y)分层抽样确保训练集和测试集中的软点位比例一致，避免类别不平衡导致评估失真。
4. RandomForestClassifier(n_estimators=100)用100棵决策树组成的随机森林，每棵树相当于一位“环卫经验丰富的老员工”，综合大家的判断减少误差。

常见误区

面试题