ADMET分布预测：药物的人体物流地图

可视化演示

展示AI预测药物在体内各组织的浓度分布，包括血浆蛋白结合率PPB、组织分布系数Kp、BBB穿透率与分布容积Vd的建模过程。切换模式对比不同预测维度。

药物体内分布：先看懂包裹怎么跑

还记得快递调度员的比喻吗？现在我们把镜头拉近，看看一件包裹从进站到派送，究竟有哪些路可以走。药物分子进入血液后，并不会老老实实待在主干道上，它会尝试钻进沿路每一条小巷——也就是身体的各个组织器官。这个过程，就是药代动力学中的“分布”（Distribution）。ADMET里的"D"，描述的正是药物从血液循环进入各组织的快慢与多少。

要想理解分布，先得明白药物是怎样“穿墙”的。细胞膜是一层脂质双分子层，像一道上了锁的围墙。药物分子跨过这道墙，主要有四条通道：小分子亲脂性药物可以像熟人刷卡一样直接“溶解”穿过脂质膜；水溶性小分子则走膜上的小孔或水通道；葡萄糖这类营养物质有专门的转运蛋白当“专属电梯”；还有一些大分子药物只能靠“被吞”的方式（内吞）越墙。AI在做分布预测时，首先估算的，就是分子走哪条通道最顺畅。

从药动学定位来看，分布紧跟吸收之后、代谢之前，是决定血药浓度高低的关键环节。如果药物一到血液就大量钻进组织，“主干道”上的浓度自然就低了；反之，如果药物赖在血液里不走，组织的浓度就上不去。调度员必须同时盯着主干道和小巷的货流量，才能画出完整的物流地图——这正是分布预测在整个ADMET链条里的独特位置。

血浆蛋白结合：传送带上的绑带

让我们回到快递分拣中心。传送带上有些包裹会被工作人员用绑带固定在托盘上，绑住之后，这些包裹就暂时“动弹不得”，既不能被派送，也不能投递到客户手中。药物分子在血液里的处境，和这些被绑住的包裹一模一样。血浆中有大量蛋白质——主要是白蛋白和α-酸性糖蛋白，它们像传送带上的绑带，会抓住药物分子，形成“药物-蛋白复合物”。这个现象叫血浆蛋白结合。

被蛋白抓住的药物（结合态）分子量太大，无法穿过血管壁进入组织，也就没有药理活性；只有挣脱绑带的“游离态”药物，才能真正穿膜、抵达靶点、发挥药效。结合态和游离态之间时刻保持动态平衡——绑带解开一批，就有新的一批被抓，最终达到一个稳定比例。这个比例就是血浆蛋白结合率。结合率越高，意味着真正能干活的游离药物越少。临床上常见的药物相互作用，往往就是两个药争抢同一条“绑带”导致的。

科学家用下面这个公式描述结合率：

AI 预测结合率的思路很直接：输入分子结构描述符（脂溶性、电荷、氢键供体数等），输出 0-1 之间的结合率。训练数据来自大量体外血浆蛋白结合实验，模型学到的本质是“什么样的包裹形状容易被绑带缠住”。有了这个预测，调度员在药物还没合成之前，就能提前知道它到靶点后还有多少“真实战斗力”。

血脑屏障穿透：金库的安检关卡

现在我们把目光投向这座城市最特殊的派送目的地——大脑。大脑是身体的“金库”，容不得半点闪失。脑血管内皮细胞之间连接得严丝合缝（紧密连接），墙外还包着一层“保镖”（周细胞和星形胶质细胞），最重要的是墙上装着一排“安检扫描仪”——P-糖蛋白外排泵，专门把企图闯入的异物往外扔。这道把守大脑的防线，就是血脑屏障（BBB）。对绝大多数药物分子来说，BBB 是比蛋白绑带更难逾越的关卡。

什么样的包裹能混进金库？经验法则是：脂溶性好、分子量小、氢键供体少的分子更容易混过关；反之，水溶性强、分子量大或者带太多“挂钩”（氢键）的分子，会被安检仪毫不留情地拦截。更重要的是，即使药物穿过了内皮细胞，P-糖蛋白还会像尽职的保安一样把它“请出去”。所以在评估大脑暴露时，不能只看总浓度，要看真正进入脑组织的游离药物。

药学家用“无源平衡分配系数” $K_{p,uu}$ 来量化 BBB 的真实通透性：

AI 做 BBB 穿透预测，本质是在学“安检员的判断标准”。用大量已标记“能进/不能进大脑”的化合物训练分类模型，再把新分子的结构特征喂进去，模型就能在几分钟内告诉你这枚药片有没有“金库通行证”。这对研发中枢神经系统药物（如抗抑郁药、帕金森病药）尤其关键，因为这类药最怕“连门都进不去”。

表观分布容积：气垫仓库的容量

调度员在规划仓储时，会遇到一个反直觉的谜题：明明身体里不可能有 500 升空间，但某些药物却需要按 “500 升的仓库” 来规划库存。这就是表观分布容积（Vd）的奇妙之处。Vd 并不是身体里真实存在的体积，而是一个“虚拟仓容”——它描述的是，如果想让血液里的药物浓度达到实测值，药物需要被稀释进多大体积的液体里。

Vd 大，说明血液里剩下的药物很少、组织里藏了很多，药物被“摊薄”到了全身；Vd 小，说明药物大多赖在血管里没出去。这就像同一个包裹，如果它乖乖待在迷你仓，占用空间就小；如果它膨胀成充气床垫铺满整层楼，占用的“等效空间”就大得惊人。许多碱性脂溶性药物（如氯喹）的 Vd 可达 1000 升以上，因为它们大量储存在脂肪和肌肉这些“边远仓库”里。

Vd 的计算公式十分简洁，来自给药剂量与初始血药浓度的关系：

AI 预测 Vd 的做法是把它当作一个回归任务：用分子特征（脂溶性、pKa、极性表面积等）预测最终 Vd 数值。有了准确的 Vd，药学家就能判断这枚药是“全身铺开”还是“缩在血液里”，进而决定首剂量该给多少——这是后续 IV 给药方案设计的起点。

组织分布建模：调度员的经验法则

调度员的真本事，在于拿到一件新包裹时，能立刻说出它会均匀散在哪些区、集中在哪个仓库。药物在体内的组织分布也遵循类似规律：每种组织（肌肉、脂肪、肝、肾）对药物的“容纳倾向”不同，科学家用组织-血浆分配系数 $K_p$ 来量化这种差异。$K_p$ 大于 1，说明药物偏爱往这个组织钻；小于 1，说明它不愿进去。

为了把全身的分布讲清楚，药代动力学引入了“多室模型”：把血流丰富、药物迅速平衡的血液与心、肝、肾归为“中央室”，把血流较慢、平衡较迟的肌肉、脂肪、皮肤归为“周边室”。药物先快速进入中央室，再缓慢渗入周边室——就像快递先集中到城市主分拨中心，再转派到偏远的卫星站点。这个“先快后慢”的换气过程，正是预测给药后不同时间点组织浓度的关键。

组织分配系数的定义同样直接：

AI 在这里扮演“训练有素的调度员”。通过大量已发表的动物与人体组织分布数据，机器学习模型学习分子结构与各组织 $K_p$ 之间的映射关系。常用的方法包括随机森林、梯度提升和图神经网络。模型学会的不是死记硬背，而是从“外包装特征”推断派送偏好的通用规律——这让完全没有实验数据的新化合物也能被快速评估。

验证与工业应用：考核调度员上岗

调度员的经验靠不靠谱，必须经过实战考核。AI 分布预测模型同样如此：光在训练集上自圆其说不算本事，必须拿到没见过的新数据上“考一考”。做法是把数据集拆成训练集与测试集，模型只从训练集学习，再用测试集检验它预测分布性质（结合率、Vd、BBB 穿透）的准确度。回归任务看 $R^2$ 和 RMSE，分类任务看 AUC——这些指标就是调度员考核表上的分数。

$R^2$ 是评价回归模型最常用的指标之一：

通过考核的模型，会在工业界发挥实打实的作用。在创新药早期筛选中，AI 先过滤掉血浆蛋白结合率过高（游离浓度低）或明显无法穿透靶组织屏障的候选分子，把资源留给“派送效率高”的品种。在中枢神经系统药物研发中，BBB 穿透预测帮助团队挑选能进金库的先导化合物。分布预测与药代动力学模型结合，还能驱动给药方案设计：有了 Vd 和清除率，就能算出负荷剂量（目标浓度 × Vd）和维持剂量，让患者体内的药物浓度稳稳落在有效治疗窗内。调度员的这张物流地图，正在从实验试错走向智能预判。

AI 应用场景

Python 演示

import numpy as npfrom sklearn.ensemble import RandomForestRegressorfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import r2_score, mean_squared_error # 模拟一批候选药物的分子描述符特征np.random.seed(42)n = 600MW = np.random.normal(420, 90, n)        # 分子量logP = np.random.normal(2.8, 1.6, n)     # 脂水分配系数HBD = np.random.randint(0, 6, n)         # 氢键供体数HBA = np.random.randint(0, 10, n)        # 氢键受体数rot = np.random.randint(0, 14, n)        # 可旋转键数 # 结合率与特征的非线性关系（含噪声模拟实验误差）z = 0.8 * logP - 0.02 * MW + 0.25 * HBD - 0.2 * HBA + 4.0fb = 1.0 / (1.0 + np.exp(-z))fb = np.clip(fb + np.random.normal(0, 0.07, n), 0.0, 1.0) X = np.column_stack([MW, logP, HBD, HBA, rot])y = fb # 划分训练集与测试集，模拟"考核调度员"X_tr, X_te, y_tr, y_te = train_test_split(    X, y, test_size=0.2, random_state=1) model = RandomForestRegressor(n_estimators=200, random_state=1)model.fit(X_tr, y_tr)pred = model.predict(X_te) print("R2: %.3f" % r2_score(y_te, pred))print("RMSE: %.3f" % np.sqrt(mean_squared_error(y_te, pred)))print("特征重要性:", dict(zip(    ["MW", "logP", "HBD", "HBA", "rot"],    [round(v, 3) for v in model.feature_importances_]))) # 预测一个新设计分子的血浆蛋白结合率new_mol = np.array([[380, 3.1, 1, 4, 5]])p_pred = model.predict(new_mol)[0]print("新分子预测结合率: %.1f%%" % (p_pred * 100))

1. X = np.column_stack([...])把 5 个分子描述符合并成特征矩阵，相当于整理好包裹的“外包装参数卡”。
2. train_test_split(..., test_size=0.2)留出 20% 数据当测试集，模拟让调度员考“没见过的运单”。
3. RandomForestRegressor(n_estimators=200)随机森林相当于“200 位有经验的调度员投票”，比单一个体更稳。
4. r2_score(y_te, pred)考核调度员的准确率，看预测值与真实值的吻合度。
5. feature_importances_告诉我们哪些“包装特征”（比如脂溶性 logP）对蛋白绑定影响最大。
6. model.predict(new_mol)对全新分子做推断，是 AI 制药“先预测、后合成”的核心动作。

常见误区

面试题