想象你经营一家跨境电商仓库：仓库的一端是“胃肠道分拣中心”，另一端是“血液高速公路”。每天有无数药物分子包裹涌进来，要经过溶解、挤过肠壁闸机、躲过肝脏盘查，才能被送到血液里完成使命。现实中，一个口服药能不能被吸收，决定了它是否有机会起效。 过去，药企只能把候选分子一个个送到实验室做细胞实验和动物实验，成本高、周期长、成功率低。如今，AI 模型像一位经验丰富的“通关预测员”：输入分子结构，几秒钟就能预测包裹的过闸率。从 Caco-2 渗透性到 BCS 分类，从剂型设计到模型验证，吸收性预测正在改写口服药研发的规则。本文将用“分子包裹过关”这个比喻，带你完整理解药物吸收性 ADMET 预测的核心流程。

岗位关联

学会吸收性预测，你就掌握了 AI 制药里“口服药能不能起效”的判官视角，能在研发早期筛掉低吸收分子，为数亿实验经费的节省提供科学依据。

目录
  1. 可视化演示
  2. 吸收性概述：分子的通关初检
  3. Caco-2渗透性：迷你闸机试运行
  4. 口服生物利用度：最终到达血液的比例
  5. 溶解度渗透权衡：防水性与通过性的平衡
  6. BCS分类预测：四类包裹分级
  7. 剂型设计应用：给包裹换包装
  8. 模型验证与误差：预测员的考核
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

步进式展示药物分子从结构输入到特征提取、神经网络预测、吸收性评分的ADMET预测全流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

ADMET吸收性预测 分子特征：MW/LogP/PSA 神经网络：多层感知机 吸收评分：溶解度+渗透性 Abs = f(Sol, Per, Bio) ML驱动药物成药性评估

吸收性概述：分子的通关初检

想象那家快递仓库，每个药物分子都是一件要从肠道分拣中心送往血液高速公路的包裹。包裹要成功发出，必须经历三道关卡：先要在水中溶解成可运输的小份，然后挤过肠壁闸机，最后还要躲过肝脏的“二次盘查”。药物吸收，就是这个包裹从进入肠道到进入血液循环的全过程。如果连初检都过不去，后面药效再强也相当于“包裹永远停在仓库”。

在 ADMET 预测中，吸收性排在第一个字母 A。AI 模型要做的，是在分子还没有被合成出来之前，就根据它的结构估算吸收分数 \(F_a\)。这个估算并不需要真的把分子吞进肚子，而是从描述符出发学习历史实验数据。吸收分数越高，说明这个分子作为口服药的潜力越大。

对快递公司来说，真正关心的是“签收率”；对药企来说，就是吸收分数。AI 让我们在发货前就能预估签收率，把可能积压在仓库里的分子提前淘汰。

Fa=DabsDoral×100%\displaystyle F_a = \frac{D_{abs}}{D_{oral}} \times 100\%
这个公式表达的是：口服下去的药剂中，最终有多少比例的药物真的进入了血液循环。\(D_{abs}\) 是吸收入血的药量，\(D_{oral}\) 是口服剂量。
  1. 吸收分数吸收分数 \(F_a\) 是衡量口服药吸收效率的核心指标，相当于包裹在终点的“成功签收率”。
    Fa=DabsDoral×100%\displaystyle F_a = \frac{D_{abs}}{D_{oral}} \times 100\%
  2. 吸收入血药量\(D_{abs}\) 表示真正穿过肠壁并到达血液循环的药物量，即被身体“签收”的包裹数量。
    Dabs\displaystyle D_{abs}
  3. 口服剂量\(D_{oral}\) 表示当初吃下去的药物总量，是所有包裹的发货数。
    Doral\displaystyle D_{oral}

Caco-2渗透性：迷你闸机试运行

很难在活人肠壁上直接做通关实验，所以科学家培养了一种“迷你闸机”——Caco-2 细胞单层。Caco-2 是一种人结直肠癌细胞，在实验室培养皿里会长成紧密的单层薄膜，结构和功能都接近小肠上皮屏障。把药物溶液加到薄膜一侧，测量能穿到另一侧的量，就能判断分子穿过真实肠壁的能力。

这个实验测得的指标叫表观渗透系数 \(P_{app}\)。它相当于闸机的“通行速度”：\(P_{app}\) 越大，分子穿过闸机越轻松。但 Caco-2 实验成本高、通量低，每年只能测几百个化合物，而药企手里的候选分子常常以万为单位。于是 AI 模型登场：用分子描述符——比如 logP、拓扑极性表面积、氢键供受体数——预测 \(P_{app}\)，把实验变成几秒钟的批量估算。

有了 AI 预测的 \(P_{app}\)，研究员在合成前就能知道这个分子是“秒过闸机”还是“卡在通道里”。迷你闸机不再是唯一的判断手段，AI 预测员成了批量预审的得力助手。

Papp=dQ/dtA×C0\displaystyle P_{app} = \frac{dQ / dt}{A \times C_0}
表观渗透系数等于单位时间内透过的药量变化率，除以膜面积和初始浓度的乘积。这个公式把“闸机通行速度”量化了。
  1. 累积透过速率\(dQ/dt\) 表示在时间 \(t\) 附近，单位时间内从一侧透到另一侧的累加药量变化率。
    dQdt\displaystyle \frac{dQ}{dt}
  2. 膜面积\(A\) 是 Caco-2 细胞单层的有效透过面积，相当于闸机的宽度。
    A\displaystyle A
  3. 初始浓度\(C_0\) 是给药侧的初始药物浓度，相当于闸口的包裹流量密度。
    C0\displaystyle C_0

口服生物利用度：最终到达血液的比例

包裹好不容易挤过肠壁闸机，却可能栽在肝脏这道“地头蛇”手里：肝脏里的代谢酶会分解一部分药物，让它们失去活性再进入体循环。这个损失叫首过效应。所以，真正到达血液并发挥作用的药物比例，并不等于吸收率，而是口服生物利用度 \(F\)。

口服生物利用度的标准测量方法，是把口服给药后的血药浓度时间曲线下面积 \(AUC_{oral}\)，与静脉注射的 \(AUC_{iv}\) 比较。为什么要用静脉注射做对照？因为静脉注射相当于把包裹直接放进血液高速公路，签收率 100%。两相对比，就能算出口服这条路到底损耗了多少。

AI 预测生物利用度时，会把溶解度、渗透性、首过代谢等一起纳入模型。这个 F 值才是包裹真正的“最终签收率”，也是决定一个口服药值不值得继续开发的硬指标。

F=AUCoral×DivAUCiv×Doral×100%\displaystyle F = \frac{AUC_{oral} \times D_{iv}}{AUC_{iv} \times D_{oral}} \times 100\%
口服生物利用度等于口服与静注的 AUC 比值，再乘以剂量修正系数。它回答的是：同一条路线，口服到达终点的比例是静注的几成。
  1. 口服 AUC\(AUC_{oral}\) 是口服给药后药物在血液中浓度随时间积分的面积，反映进入体循环的总药量。
    AUCoral\displaystyle AUC_{oral}
  2. 静注 AUC\(AUC_{iv}\) 是静脉注射后的对应面积，代表 100% 进入体循环的参考值。
    AUCiv\displaystyle AUC_{iv}
  3. 剂量修正\(D_{iv} / D_{oral}\) 用来消除口服剂量与静注剂量不同带来的偏差。
    DivDoral\displaystyle \frac{D_{iv}}{D_{oral}}

溶解度渗透权衡：防水性与通过性的平衡

回到我们的包裹：要过闸机，包裹不能一沾水就烂，这是“溶解度”；同时它又得能变形挤过闸机缝隙，这是“渗透性”。麻烦的是，这两个要求经常打架。靠 logP 这个指标来看：logP 高，说明分子亲脂，容易钻进脂质膜，渗透性好；但亲脂性太强又不溶于水，溶解就成了难题。反过来，logP 太低虽然溶解好，却很难穿过闸机。

因此，吸收效率不是单独看溶解度或渗透性，而是两者的联合效果。就像快递包装不能只追求防水或只追求柔韧，必须找到兼顾的平衡点。AI 模型把两个预测值相乘，得到一个综合吸收效率，帮助研发团队定位 logP 的最佳窗口。

这个权衡关系就是可视化演示里两条曲线的故事：溶解度随 logP 上升而下降，渗透性随 logP 上升而上升，红色虚线代表两者的乘积，最高的区域就是分子通关的最佳窗口。

Ai=Si×Pi\displaystyle A_i = S_i \times P_i
对每个候选分子 \(i\)，吸收效率等于它的溶解度分数乘以渗透性分数。任何一个环节趋近于零，整体吸收效率都会被拉低。
  1. 溶解度分数\(S_i\) 是分子在模拟肠液中的溶解能力，数值在 0 到 1 之间，对应包裹的抗水能力。
    Si\displaystyle S_i
  2. 渗透性分数\(P_i\) 是分子穿过肠壁膜的能力，数值在 0 到 1 之间，对应包裹的变形通过能力。
    Pi\displaystyle P_i
  3. 联合吸收效率\(A_i\) 是两项相乘的结果，只有当 \(S_i\) 和 \(P_i\) 都较高时，整体吸收效率才高。
    Ai=Si×Pi\displaystyle A_i = S_i \times P_i

BCS分类预测：四类包裹分级

快递公司喜欢给包裹贴标签，BCS 系统也一样。生物药剂学分类系统把药物按溶解度和渗透性两个维度分成四类：I 类高溶高渗，II 类低溶高渗，III 类高溶低渗，IV 类低溶低渗。这个标签就像“是否需要特殊包装”的提示，直接决定后续的剂型开发路线。

判断高溶解，通常看最大给药剂量能否溶解在 250 mL 水溶液中；判断高渗透，则参考人体吸收程度是否不低于 90%。在 AI 模型里，可以用分子描述符直接预测 BCS 类别，不需要先做完整实验。这种分类预测的价值在于：II 类要重点解决溶解，III 类要重点解决渗透，而 IV 类则要双线作战。

拿到 BCS 标签，研发团队就像快递员看到“易碎品”标记一样，立刻知道该换什么样的包装策略。AI 的分类预测让这个标签在合成前就提前贴上。

class={I,Dmax⁡≤Vs, Papp≥PtII,Dmax⁡>Vs, Papp≥PtIII,Dmax⁡≤Vs, Papp<PtIV,Dmax⁡>Vs, Papp<Pt\displaystyle \text{class} =\begin{cases}I, & D_{\max} \le V_s,\ P_{app} \ge P_t\\II, & D_{\max} > V_s,\ P_{app} \ge P_t\\III, & D_{\max} \le V_s,\ P_{app} < P_t\\IV, & D_{\max} > V_s,\ P_{app} < P_t\end{cases}
这个分段函数把四个类别写成清晰规则：\(D_{\max}\) 是最大剂量溶解量，\(V_s\) 是胃中可用液体体积，\(P_t\) 是高渗透性阈值。四个象限对应四类标签。
  1. 可溶解剂量\(D_{\max}\) 表示在标准体积中药物是否能完全溶解，是判断“高溶解”的第一步。
    Dmax⁡\displaystyle D_{\max}
  2. 胃液体积\(V_s\) 通常取 250 mL，作为可溶解度的参考体积。
    Vs\displaystyle V_s
  3. 渗透性阈值\(P_{app} \ge P_t\) 表示表观渗透系数是否达到高渗透标准。
    Papp≥Pt\displaystyle P_{app} \ge P_t
  4. 类别组合四个条件分支把两种高低组合映射到 I、II、III、IV 四类。
    {I,Dmax⁡≤Vs, Papp≥PtII,Dmax⁡>Vs, Papp≥PtIII,Dmax⁡≤Vs, Papp<PtIV,Dmax⁡>Vs, Papp<Pt\displaystyle \begin{cases} I, & D_{\max} \le V_s,\ P_{app} \ge P_t\\ II, & D_{\max} > V_s,\ P_{app} \ge P_t\\ III, & D_{\max} \le V_s,\ P_{app} < P_t\\ IV, & D_{\max} > V_s,\ P_{app} < P_t \end{cases}

剂型设计应用：给包裹换包装

分子本身的吸收不好，不代表没有救。就像包裹太软容易破，换个硬壳箱也能安全送达。剂型设计就是给药物分子“换包装”：II 类低溶高渗药物，可以用固体分散体、纳米晶等技术提高溶解度；III 类高溶低渗药物，则可以加入渗透增强剂，帮助分子挤过肠壁闸机。

吸收预测模型在剂型设计中最有价值的应用，是反向优化。把剂型参数记作 \(f\)——比如粒径、辅料比例、释放速度——模型输出对应的吸收分数，然后通过优化算法找到让吸收分数最大的那组参数。这比传统“试错法”省下大量时间和物料。

药企在实际研发中，会用吸收预测模型对不同制剂方案做“模拟送货”，选出签收率最高的包装再投入生产。这就把原本需要几十批实验的摸索过程，压缩到了几天内完成。

f∗=arg⁡max⁡fFa(f)\displaystyle f^* = \arg\max_{f} F_a(f)
最优剂型参数 \(f^*\) 是让吸收分数达到最大值的配方组合。这个公式把“换包装”从经验美学变成了可计算的最优化问题。
  1. 剂型参数\(f\) 表示一组可调节的制剂变量，如粒径、辅料、包衣厚度。
    f\displaystyle f
  2. 吸收分数函数\(F_a(f)\) 是由 AI 模型计算出的吸收分数，是评价包装方案好坏的标准。
    Fa(f)\displaystyle F_a(f)
  3. 最优解\(\arg\max\) 表示在所有可能的剂型参数中，找到使吸收分数最大的那一个。
    f∗=arg⁡max⁡fFa(f)\displaystyle f^* = \arg\max_{f} F_a(f)

模型验证与误差：预测员的考核

AI 预测员上岗前必须通过考试。考试方法是把已知吸收数据的分子分成训练集和测试集：训练集用来让模型“学习”，测试集是模型没见过的题，用来检验它是否真的掌握了规律，而不是死记硬背。更进一步，还要做外部验证：用另一个实验室、另一批化合物测试模型，防止“偏科”。

误差指标中最常用的是 RMSE，它衡量预测值与实验值之间的平均偏离程度。RMSE 越小，说明预测越接近真实。但误差并不是越小就越好，还要看误差来源：实验噪声、描述符覆盖不足、训练数据化学空间过窄，都会让模型在真实场景中“翻车”。所以模型验证的最后一步，是分析适用域——告诉使用者模型在哪些分子上靠谱，哪些分子上不要轻信。

预测员的考核没有终点。随着新数据不断加入，模型需要持续更新。就像通关规则会变化，AI 也必须不断重新学习，才能保证每一份分子包裹的预演都八九不离十。

RMSE=1n∑i=1n(yi−y^i)2\displaystyle RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}\left(y_i - \hat{y}_i\right)^2}
均方根误差把每个样本预测值与实验值之差平方后求平均再开方，惩罚大误差，是回归模型最常用的考核分数。
  1. 预测差值\((y_i - \hat{y}_i)\) 是第 \(i\) 个样本的真实实验值与模型预测值的差。
    yi−y^i\displaystyle y_i - \hat{y}_i
  2. 平方平均对所有样本的差取平方再求平均，避免正负误差互相抵消。
    1n∑i=1n(yi−y^i)2\displaystyle \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2
  3. 开方还原开根号让误差量纲回到原始单位，更直观地反映偏差大小。
    1n∑i=1n(yi−y^i)2\displaystyle \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2}

AI 应用场景

化合物高通量筛选

阶段：候选分子初筛

解决的问题：传统流程需要先合成分子再做 Caco-2 实验，成本高昂。AI 吸收预测能在几十万虚拟分子中快速排序，挑出吸收潜力最大的前几百个优先合成，把实验资源集中在高分分子上。

具体案例：某创新药企在研发口服 PCSK9 抑制剂时，用吸收预测模型给 12 万个虚拟分子打分，选出 800 个进入合成验证，最终有 60 个 Caco-2 渗透性达标，命中率比随机筛选高 5 倍。

剂型策略辅助决策

阶段：制剂开发

解决的问题：BCS II 类药物溶解度差，靠经验选辅料容易走弯路。AI 模型把剂型参数与吸收效率关联起来，快速模拟不同固体分散体方案的吸收表现，选出最优配方再进实验室。

具体案例：一款难溶的候选分子在改用 AI 推荐的载体材料比例后，大鼠口服生物利用度从 9% 提升到 34%，开发周期缩短了 6 个月。

仿制药生物等效性风险预警

阶段：仿制药研发

解决的问题：仿制药需要与原研药在体内表现一致，但不同辅料可能改变吸收。AI 吸收模型可对比两种处方的吸收曲线，提前预警生物不等效风险，降低临床试验失败概率。

具体案例：团队评估一款仿制药时，模型预测其吸收速度比原研药慢 18%，随后优化崩解剂用量，使预测差异降到 3% 以内，最终一次通过生物等效性试验。

Python 演示

python28 行
import numpy as npfrom sklearn.ensemble import RandomForestRegressorfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import mean_squared_error def synthesize_data(n_samples=200, seed=42):    rng = np.random.default_rng(seed)    logP = rng.uniform(-2, 4, n_samples)    tpsa = rng.uniform(20, 120, n_samples)    mw = rng.uniform(150, 600, n_samples)    y = 1 / (1 + np.exp(-(0.9 * logP - 0.03 * tpsa + 0.002 * mw - 0.5)))    noise = rng.normal(0, 0.05, n_samples)    return np.column_stack([logP, tpsa, mw]), y + noise def main():    X, y = synthesize_data()    X_train, X_test, y_train, y_test = train_test_split(        X, y, test_size=0.2, random_state=1    )    model = RandomForestRegressor(n_estimators=200, random_state=7)    model.fit(X_train, y_train)    pred = model.predict(X_test)    print("RMSE: %.3f" % mean_squared_error(y_test, pred, squared=False))    new_mol = np.array([[2.5, 60, 300]])    print("新分子预测Caco-2渗透性: %.3f" % model.predict(new_mol)[0]) if __name__ == "__main__":    main()
目的：用合成的分子描述符数据训练一个随机森林模型，预测 Caco-2 渗透性并计算 RMSE，是 AI 吸收性预测的最小可运行示例。
  1. def synthesize_data(n_samples=200, seed=42):生成一组带标签的虚拟分子数据，模拟“肠道通关记录”。
  2. logP = rng.uniform(-2, 4, n_samples)生成 logP 描述符，覆盖亲水到亲脂的常见区间。
  3. y = 1 / (1 + np.exp(...))用 sigmoid 函数模拟渗透性与描述符之间的非线性关系，就像闸机通行概率随属性变化。
  4. noise = rng.normal(0, 0.05, n_samples)加入实验噪声，让数据更接近真实测量。
  5. train_test_split(X, y, test_size=0.2, random_state=1)把数据拆成训练集和测试集，测试集是模型没见过的“新包裹”。
  6. RandomForestRegressor(n_estimators=200, random_state=7)建一个随机森林回归器，相当于一群“预测员”投票决定渗透性。
  7. model.fit(X_train, y_train)让模型从训练集的分子描述符和实验值中学习规律。
  8. mean_squared_error(y_test, pred, squared=False)计算 RMSE，考核预测员的整体误差。
  9. new_mol = np.array([[2.5, 60, 300]])构造一个全新的虚拟分子，用模型预估它的 Caco-2 渗透性。

常见误区

误区“Caco-2 渗透性高，口服生物利用度就一定高，两者差不多吧。”

正解这就像过了肠壁闸机，不代表包裹能完整到达终点。Caco-2 只模拟肠壁穿透这一环，口服生物利用度还叠加了溶解度、首过效应、胃肠道稳定性等影响。一个分子渗透性很好，但溶解度差或在肝脏被大量代谢，最终 F 值依然很低。

为何常见：初学者容易把“进入肠道细胞”和“进入全身血液”混为一谈，忽略了后续关卡。

误区“既然肠壁是脂质膜，那药物越亲脂越容易穿过去，logP 越高越好吧？”

正解在溶解度-渗透性权衡中，logP 升高会让渗透性变好，却会让水溶性变差。药物必须先溶于肠液才能接近肠壁，太亲脂的分子像裹了一层油，根本进不了水相，吸收效率反而断崖式下降。最佳吸收通常出现在 logP 的中间窗口。

为何常见：只看到渗透性随 logP 单调上升的一面，忽略了“溶解是吸收前提”这个约束。

误区“I 类高溶高渗，吸收没问题，就不用浪费算力预测了。”

正解BCS I 类在理想条件下吸收好，但真实场景还有转运体外排、胃肠道代谢、食物效应等变量。即便高溶高渗，某些分子也会因 P-gp 外排而被泵回肠腔。AI 吸收预测仍然可以捕捉这些复杂因素，尤其是对结构类似物的细微差异排序。

为何常见：把分类系统的简化标签当成绝对的物理定律，忽略了分类之外的生物复杂性。

误区“测试集上 RMSE 很低，这个模型已经很准，可以直接上线推所有新分子。”

正解RMSE 低只代表模型在训练和测试数据的化学空间内表现好。真实研发中的目标分子可能来自全新骨架，超出模型的“适用域”。就像预测员只练习过快递小包裹，突然来了异形大件就会失准。因此需要外部验证和适用域评估，不能盲目外推。

为何常见：统计指标让人产生确定性幻觉，忽略了数据分布与真实世界之间的鸿沟。

误区“AI 已经能预测 Caco-2 和生物利用度了，以后不用做细胞实验和动物实验了。”

正解AI 预测擅长排序和初筛，但实验仍是验证金标准。Caco-2 数据和临床 PK 数据不断产出，才能持续训练和校准模型。完全替代实验会导致模型退化，也会踩中监管红线。正确的定位是：用 AI 做高效预筛，用实验做关键节点验真。

为何常见：对“AI 替代论”的过度乐观，忽略了模型依赖数据质量和法规要求。

面试题

Q1. 药物吸收性预测中最常用的体外细胞模型是？

单选题 · easy

  • A.HepG2 肝细胞模型
  • B.Caco-2 单层细胞模型← 正确答案
  • C.MDCK 肾细胞模型
  • D.CHO 卵巢细胞模型

答案：B。Caco-2 来自人结直肠癌，在体外培养成单层后能模拟小肠上皮屏障，是吸收性预测的经典工具。HepG2 多用于肝毒性研究，MDCK 和 CHO 不是肠上皮模拟的主要选择。

Q2. 口服生物利用度公式中，口服 AUC 与静注 AUC 的比值代表什么？

单选题 · easy

  • A.药物清除速度
  • B.药物入血相对程度← 正确答案
  • C.血浆蛋白结合率
  • D.药物表观分布容积

答案：B。口服生物利用度通过比较口服与静注的血药浓度曲线下面积，评估药物经口服进入体循环的相对程度。清除率、蛋白结合率和分布容积是药代动力学其他参数，不直接由该比值给出。

Q3. 某药物 logP 很高且溶解度极低，最可能属于 BCS 哪一类？

单选题 · mid

  • A.I 类高溶高渗
  • B.II 类低溶高渗← 正确答案
  • C.III 类高溶低渗
  • D.IV 类低溶低渗

答案：B。logP 高通常意味着亲脂性强、渗透性好，但溶解度差，对应 BCS II 类低溶高渗。I 类需要高溶，III 类需高溶低渗，IV 类两者都低，故均不符合。

Q4. 下列哪些因素会降低口服药物的生物利用度？

多选题 · mid

  • A.肝脏首过效应← 正确答案
  • B.水溶性差← 正确答案
  • C.肠壁渗透性低← 正确答案
  • D.血浆蛋白结合率高

答案：ABC。首过效应会代谢掉部分药物，溶解度差导致无法溶出，渗透性低使分子难穿过肠壁，三者都直接降低口服生物利用度。血浆蛋白结合率高主要影响分布过程，不直接降低 F 值。

Q5. 计算 Caco-2 表观渗透系数 P_app 的正确公式是？

单选题 · mid

  • A.P_app = (dQ/dt)/(A·C0)← 正确答案
  • B.P_app = A·C0/(dQ/dt)
  • C.P_app = dQ/dt×A/C0
  • D.P_app = C0/(A·dQ/dt)

答案：A。P_app 等于单位时间透过量变化率除以膜面积和初始浓度。这是对“闸机通行速度”的归一化度量，其他选项把分子或分母颠倒，量纲或含义都会出错。

Q6. 关于溶解度-渗透性权衡，下列说法正确的是？

多选题 · mid

  • A.提高亲脂性通常提高渗透性并降低溶解度← 正确答案
  • B.提高亲脂性通常提高溶解度并降低渗透性
  • C.logP 存在一个最佳吸收窗口← 正确答案
  • D.logP 越高吸收一定越好

答案：AC。亲脂性提高有利于插入脂质膜，所以渗透性增加、溶解度下降；吸收效率是两者乘积，只在中间 logP 窗口达到最高。B、D 与权衡关系相悖。

Q7. BCS 高溶解性通常指剂量能在多少毫升水溶液中完全溶解？

单选题 · easy

  • A.250 mL← 正确答案
  • B.50 mL
  • C.1000 mL
  • D.5000 mL

答案：A。BCS 体系用 250 mL 作为胃内可用液体体积的近似值，判断最大剂量能否充分溶解。50 mL 过严，1000 mL 和 5000 mL 过松，都不符合标准定义。

Q8. 与内部验证相比，AI 吸收模型的外部验证优势在于？

多选题 · hard

  • A.评估模型对新化学空间的泛化能力← 正确答案
  • B.完全消除样本选择偏差
  • C.使用训练阶段未见过的数据集← 正确答案
  • D.直接替代金标准实验

答案：AC。外部验证用不同来源或不同化合物集的数据，能检验模型对新结构的泛化能力。完全消除偏差的说法过于绝对，外部验证也不能取代真实实验，只能作为模型可靠性考核的一部分。

Q9. 某 BCS III 类高溶低渗药物，合理的剂型策略是？

单选题 · hard

  • A.固体分散体增溶
  • B.肠溶包衣保护
  • C.加入渗透增强剂← 正确答案
  • D.微粉化减小粒径

答案：C。III 类药物的瓶颈是渗透性而非溶解度，因此最优策略是加入渗透增强剂，帮助分子穿过肠壁。固体分散体、微粉化是为了解决溶解问题，肠溶包衣则针对胃内不稳定或刺激性问题。

Q10. 关于 RMSE 的公式，下列哪个正确？

单选题 · extreme

  • A.sqrt(Σ(y_i - ŷ_i)² / n)← 正确答案
  • B.Σ|y_i - ŷ_i|/n
  • C.(Σ(y_i - ŷ_i)²) / n
  • D.sqrt(Σ|y_i - ŷ_i|/n)

答案：A。RMSE 先对误差平方求和并取平均，再开方还原单位。B 是 MAE，C 是均方误差 MSE，D 把 MAE 错加了根号，三者都不是 RMSE。