想象一下互联网购物节：你下单了一款保健品，仓库（口服剂型）把包裹（药物分子）交给快递干线（胃肠道），包裹需要经过分拣中心（肠壁屏障）的层层安检才能最终送进你手中（血液循环）。如果快递车根本不开到分拣中心（药物不溶解），或者分拣中心安检不过（渗透率低），这场“药物配送”就彻底失败了。在AI制药的流程里，吸收分布讲的就是这个“配送故事”的上半场——药物从进入人体到到达血液的过程。AI制药工程师就像一个物流规划大师，用数据和模型提前预判“哪些包裹能顺利送达”。这就是AI for Science在药物研发中的朴素逻辑：用计算方法替代大量动物实验和人体试验，在分子还没合成之前就预测它的命运。这篇教程将带你走进“药物物流”的核心地带——吸收分布，看懂AI如何在这个环节里扮演调度中心的角色。

岗位关联

掌握吸收分布预测，是进入AI制药领域的必修课。它将帮助药物化学家与计算科学家快速决策候选分子的去留，让“设计-测试-分析”循环提速数十倍——这是AI从业者切入制药行业的最短路径之一。

目录
  1. 可视化演示
  2. 吸收分布基础
  3. 渗透性预测
  4. 溶解度预测
  5. 机器学习建模
  6. 数据与评价指标
  7. 优化与平台实战
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示药物分子体内吸收过程、跨膜能量障碍与渗透机制、ADMET关键指标评估，分步理解药物分布全链路。

本节配有交互动效（进入视口后自动加载，约 3KB）。

药物口服吸收过程 口服给药后药物进入胃肠道 分子通过被动扩散进入血液 F = AUC_oral / AUC_iv 生物利用度反映吸收效率

吸收分布基础

故事要从“快递物流”讲起。当一颗药片被吞下，药物分子就像仓库里等待发货的包裹。吸收是这个物流系统的第一站：包裹必须从肠道（发货站）进入血液循环（干线运输）。分布则是包裹进入血液之后被分拨到全身各器官站点的过程。在ADMET预测中，吸收分布决定了药物能否以足够浓度抵达“收货人”——靶点蛋白。

从AI制药的数理视角看，吸收过程可以用表观渗透系数与溶出速率来描述。药物的口服生物利用度（F）是吸收分布的核心综合指标，它衡量进入体循环的药量占给药量的百分比。工程上常把它拆解为吸收系数（fa）与首过效应（fg×fh）的乘积：

在AI驱动的研发管线中，数据科学家不直接做动物实验，而是把这三个系数变成预测目标。用高通量实验数据训练模型，让AI在新分子合成之前就估算出它的“物流通关率”。这正是AI for Science的核心范式：用数据和模型替代物理实验的试错成本。回到快递故事，一个预测准确的AI模型，就像是一个经验丰富的物流顾问——只凭包裹单上的标签，就能预判它在三关中的“存活率”。

F=fa×fg×fh\displaystyle F = f_a \times f_g \times f_h
公式理解：口服药要闯三关——肠道吸收（fa）、肠道首过代谢（fg）、肝脏首过代谢（fh）。三关都顺利通过，药才能完整进入血液。
  1. fa（吸收系数）指药物从肠道进入肠壁细胞的比例，受溶解度与渗透性控制。
    fa=进入肠壁的药量口服给药总量f_a = \frac{\text{进入肠壁的药量}}{\text{口服给药总量}}
  2. fg（肠道首过系数）药物经过肠壁时被代谢酶分解后剩余的比例。
    fg=躲过肠道代谢的药量进入肠壁的药量f_g = \frac{\text{躲过肠道代谢的药量}}{\text{进入肠壁的药量}}
  3. fh（肝脏首过系数）剩余药物经肝门静脉到达肝脏，被肝酶代谢后存活的比例。
    fh=躲过肝脏代谢的药量进入门静脉的药量f_h = \frac{\text{躲过肝脏代谢的药量}}{\text{进入门静脉的药量}}

渗透性预测

假设分拣中心有一道智能安检闸机。哪些包裹能快速通过？规则很简单：体积不大、表面疏水、没有太多“黏性标签”。在药物分子中，这些特征被称为分子描述符，其中最著名的就是脂水分配系数LogP。

渗透性预测的本质是建立“结构特征→透过肠壁速率”的映射。Caco-2细胞单层模型是金标准实验，但成本高昂。AI模型通过学习数千个分子的Caco-2数据，用分子描述符近似计算渗透系数（Papp）：

梯度提升决策树（如XGBoost）是实际工程中常用的渗透性预测器。将LogP、HBD、PSA等描述符作为特征，用Caco-2实测数据回归出上式中的系数a、b、c、d，比传统线性回归精度提升约15%。在快递故事里，AI模型就是一个经验丰富的安检员：扫一眼“包裹标签”（分子结构），就能预测它过闸（肠壁）的时间。

log⁡Papp=a⋅log⁡P−b⋅HBD−c⋅PSA+d\displaystyle \log P_{app} = a \cdot \log P - b \cdot HBD - c \cdot PSA + d
公式理解：分子的渗透能力像一次“过闸评分”——脂溶性（LogP）加分，氢键供体（HBD）和极性表面积（PSA）因为要跟水“纠缠”而减分。
  1. LogP（脂水分配系数）衡量分子爱油脂还是爱水。LogP适中（1-3），分子容易钻进细胞膜的脂双层。
    log⁡P=log⁡10c油相c水相\log P = \log_{10} \frac{c_{\text{油相}}}{c_{\text{水相}}}
  2. HBD（氢键供体数）能给出氢键的基团数。每多一个，分子就多一分“黏在水中”的倾向。
    HBD=分子中O-H、N-H键的个数HBD = \text{分子中O-H、N-H键的个数}
  3. PSA（极性表面积）所有极性质子占的面积。PSA过大，分子就像背着水的包袱，难以穿过脂膜。
    PSA=∑极性原子贡献的表面积PSA = \sum \text{极性原子贡献的表面积}

溶解度预测

物流里最尴尬的场景是：包裹太大卡在仓库门口，根本发不出货。药物的溶解度就是这道“仓库门”。如果药物在肠道液体中溶解度太低，即使渗透性再好，也没有足够的分子到达肠壁表面，吸收自然无从谈起。

溶解度预测面临的挑战是：溶解是一个热力学过程，受分子晶格能、溶剂化自由能共同控制。AI方法用图神经网络学习分子的拓扑结构，直接预测固有溶出速率（IDR）。一个经典的热力学近似式是通用溶解度方程：

在实际AI管线中，溶解度预测常与pH环境耦合。肠道pH从胃部1.5到结肠8.0不等，可电离分子的溶解度随pH显著变化。模型需要输出“pH-溶解度曲线”而非单点数值。用图神经网络预测pKa，再结合Henderson-Hasselbalch方程重建溶出曲线，是当前工业界的主流方案。这就像物流系统不仅要预测“包裹能否装车”，还要预测“不同天气路况下的配送时效”。

log⁡S0=0.5−0.01×(MP−25)−log⁡Kow\displaystyle \log S_0 = 0.5 - 0.01 \times (MP - 25) - \log K_{ow}
公式理解：熔点（MP）高的分子像一个砌得密实的砖墙，很难被水“拆开”；油水分配系数（Kow）高说明分子更爱油，同样不利于水溶。两个因素叠加，溶解度就低。
  1. S0（固有溶解度）单位体积水中能溶解的最大药量，是吸收的地基。
    S0=m溶质V溶剂S_0 = \frac{m_{\text{溶质}}}{V_{\text{溶剂}}}
  2. MP（熔点）分子间作用力的标志。熔点越高，晶格越稳定，水分子越难拆散它。
    ΔG溶解∝(MP−25)\Delta G_{\text{溶解}} \propto (MP - 25)
  3. Kow（油水分配系数）衡量分子疏水性的热力学常数。Kow越高，水溶性越差。
    Kow=c正辛醇相c水相K_{ow} = \frac{c_{\text{正辛醇相}}}{c_{\text{水相}}}

机器学习建模

当物流数据积累到数十万单，人工制定规则就力不从心了。这正是机器学习登场的地方——AI用历史订单数据学习“什么特征的包裹能准时达”，无需人工总结规则。

吸收预测中最常用的特征工程是分子指纹（Molecular Fingerprint）。它把分子结构变成一个0/1向量，每个bit代表是否存在某种子结构。然后用随机森林（Random Forest）或梯度提升（Gradient Boosting）建模。以随机森林为例，预测吸收类别的数学表达为多数投票：

近年来，图神经网络（GNN）进一步把分子看作原子为节点、化学键为边的图。GNN通过消息传递机制自动学习原子环境表征，不再需要人工设计指纹。工业界已将GNN预测Caco-2渗透性的AUROC提升到0.85以上。在故事里，这相当于从“按标签规则分拣”升级到“AI视觉识别包裹内部结构”。新分子一进系统，图神经网络就像老师傅瞄一眼包裹包装，便知晓它几斤几两、能否顺利过闸。

y^=arg⁡max⁡c∑t=1TI[ht(x)=c]\displaystyle \hat{y} = \arg\max_{c} \sum_{t=1}^{T} \mathbb{I}[h_t(x) = c]
公式理解：T棵树各自对分子“投票”——吸收好或不好，随机森林汇总票数，得票最多的类别就是最终预测结果。
  1. ht(x)（单棵树预测）每棵决策树用不同的特征子集做出判断。
    ht(x)∈{0,1}h_t(x) \in \{0, 1\}
  2. 指示函数I当树的预测等于类别c时计1票。
    I[ht(x)=c]=1 if ht(x)=c else 0\mathbb{I}[h_t(x) = c] = 1 \text{ if } h_t(x) = c \text{ else } 0
  3. argmax（多数投票）统计所有树的票数，选最高票类别。
    y^=得票最多的类别\hat{y} = \text{得票最多的类别}

数据与评价指标

AI模型能力的天花板，由数据的质量决定。吸收分布预测依赖两类数据源：体外实验数据（Caco-2细胞模型、PAMPA人工膜）和体内数据（药时曲线下面积AUC）。Caco-2细胞实验模拟肠壁屏障，PAMPA则用人工脂膜快速估计透过率。

评价预测模型的优劣，最常用的指标是ROC曲线下面积（AUC）——注意，这个AUC与药时曲线的AUC同名不同义，前者是分类模型评价指标，后者是药物在体内的暴露量指标。药时曲线下面积的计算：

在AI建模评估中，ROC-AUC衡量模型把“吸收好”分子排到“吸收差”分子前面的概率。0.5等于瞎猜，0.9以上才可作筛选工具。模型上线前，还需要内部交叉验证与外部测试集双重校验。这就像物流公司考核一个新调度系统：先在历史订单上回测，再放到真实新包裹上验证，双保险。

AUC0−t=∫0tC(τ) dτ\displaystyle AUC_{0-t} = \int_{0}^{t} C(\tau) \, d\tau
公式理解：把每个时间点的血药浓度C(τ)画成曲线，曲线下的总面积就是药物暴露量，反映吸收进血液的药物总量。
  1. C(τ)（血药浓度函数）给药后t时刻血液中的药物浓度。
    C(τ)=血液中药物浓度C(\tau) = \text{血液中药物浓度}
  2. 积分区间[0, t]从给药时刻到采样终点，累加每时每刻的浓度。
    ∫0tC(τ)dτ=浓度-时间曲线面积\int_0^t C(\tau) d\tau = \text{浓度-时间曲线面积}
  3. AUC0-t单位是浓度×时间（如 ng·h/mL），是吸收程度的金标准。
    AUC0→∞=AUC0−t+CtkeAUC_{0\to\infty} = AUC_{0-t} + \frac{C_t}{k_e}

优化与平台实战

预测只是诊断，优化才是治病。当AI预测某个候选分子“吸收差”时，药物化学家有三种改造武器：结构优化、前药设计、制剂技术。

结构优化是直接在分子骨架上动刀——降低LogP、减少氢键供体数，相当于把包裹改小、撕掉黏性标签。前药设计更进一步，给活性分子加上一个“保护套”，让它先以高渗透形式穿过肠壁，进入体内后再被酶切掉保护套释放原药。制剂技术则在宏观层面改善吸收——纳米晶、固体分散体、渗透泵片，本质是用物理手段提高溶出速率：

工程落地上，开源工具链已经相当完善：RDKit负责分子描述符与指纹计算，DeepChem提供图神经网络与分子特征化接口，scikit-learn承载经典机器学习模型。一个典型的AI制药吸收预测工作流是：RDKit清洗SMILES→计算描述符→DeepChem构建GNN→交叉验证评估→输出候选排名。整个流程从数据到结论只需几小时，而传统湿实验需数周。回到最初的物流故事：AI制药平台就是一套智能物流大脑，它整合了包裹特征识别（描述符）、路况预测（渗透性）、天气评估（溶解度）、智能分单（优化策略），让每一颗创新药分子都能精准高效地抵达目的地——患者的血液。

溶解度提升倍数=1fg⋅(rnprmp)3\displaystyle \text{溶解度提升倍数} = \frac{1}{f_g} \cdot \left(\frac{r_{np}}{r_{mp}}\right)^{3}
公式理解：把药物晶体从毫米级研磨到纳米级（半径比r_np/r_mp的立方），比表面积大幅增加，溶解速率可以提升成百上千倍。
  1. fg（晶体体积分数）无定形分散体中药物的体积占比，占比越高，溶出越快。
    fg=V药物V载体f_g = \frac{V_{\text{药物}}}{V_{\text{载体}}}
  2. r_np/r_mp（纳米/微米粒半径比）粒径每缩小10倍，溶出速率提升1000倍。
    (rnprmp)3=小颗粒体积大颗粒体积\left(\frac{r_{np}}{r_{mp}}\right)^3 = \frac{\text{小颗粒体积}}{\text{大颗粒体积}}

AI 应用场景

AI药物筛选平台

阶段：候选药物筛选与优先级排序

解决的问题：传统药物筛选中，合成一个化合物并进行Caco-2/溶解度实验需要数周时间和高昂成本；AI吸收分布预测模型可以在虚拟筛选阶段对数十万分子进行初筛，将“吸收差”的分子提前淘汰，实验命中率提升3-5倍。

具体案例：某AI制药公司使用图神经网络预测4000个候选分子的肠道渗透性，结合溶解度模型排序后，仅合成了排名前100的分子进行实验验证，结果发现其中42个分子实测Caco-2渗透率达到中高水平，验证率比随机筛选提升4倍，研发周期缩短6个月。

口服制剂处方设计优化

阶段：制剂研发与配方优化

解决的问题：制剂专家需要在众多辅料和工艺参数中寻找最优组合，以改善难溶性药物的溶出。传统方法依赖试错法，批次实验耗时且昂贵；AI吸收分布模型可以预测不同粒径、不同晶体形态下的溶出曲线，引导制剂设计。

具体案例：某仿制药企业开发一个BCS II类药物（低溶解高渗透），使用AI溶解度预测模型模拟不同粒径下的药时曲线，推荐了最优研磨工艺参数。最终制剂体外溶出与原研药相似度达95%，且节省了约80%的处方筛选实验批次。

Python 演示

python48 行
"""使用随机森林预测药物吸收分类（高吸收/低吸收）"""import numpy as npfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import roc_auc_score, accuracy_score def generate_demo_data(n=200):    """模拟分子描述符数据：LogP, HBD, PSA, 溶解度"""    rng = np.random.default_rng(42)    logP = rng.uniform(-2, 5, n)    hbd = rng.integers(0, 8, n).astype(float)    psa = rng.uniform(10, 150, n)    sol = rng.uniform(0.001, 1.0, n)    X = np.column_stack([logP, hbd, psa, sol])    # 高吸收规则：LogP适中、HBD少、PSA低、溶解度较高    score = (        0.5 * (1 / (1 + np.abs(logP - 2.5)))        + 0.2 * (1 / (1 + hbd))        + 0.2 * (1 / (psa / 50))        + 0.1 * sol    )    y = (score > 0.45).astype(int)    return X, y X, y = generate_demo_data()X_train, X_test, y_train, y_test = train_test_split(    X, y, test_size=0.25, random_state=42) clf = RandomForestClassifier(n_estimators=100, random_state=42)clf.fit(X_train, y_train)y_pred = clf.predict(X_test)y_prob = clf.predict_proba(X_test)[:, 1] auc = roc_auc_score(y_test, y_prob)acc = accuracy_score(y_test, y_pred)print(f"Test accuracy: {acc:.3f}")print(f"Test ROC AUC: {auc:.3f}") # 新候选分子预测new_molecule = np.array([[2.0, 2, 45.0, 0.2]])prob = clf.predict_proba(new_molecule)[:, 1][0]label = "高吸收" if prob > 0.5 else "低吸收"print(f"新候选分子吸收概率={prob:.2f} -> {label}") # 特征重要性for fname, imp in zip(["LogP", "HBD", "PSA", "溶解度"], clf.feature_importances_):    print(f"{fname}: {imp:.3f}")
目的：演示AI吸收预测的最简闭环——合成模拟数据、训练随机森林模型、评估精确度与分类质量、预测新分子。它直观呈现了“特征→算法→决策”的AI制药思维。
  1. from sklearn.ensemble import RandomForestClassifier引入随机森林分类器，这是吸收预测最常用的经典模型之一。
  2. hbd = rng.integers(0, 8, n).astype(float)氢键供体数是整数特征，模拟分子中O-H/N-H键数量。
  3. score = 0.5 * (1 / (1 + np.abs(logP - 2.5)))构造“理想LogP接近2.5”的吸收评分规则，LogP太高或太低都吸收差。
  4. X_train, X_test, ... test_size=0.25按7:3划分训练与测试集，防止模型“背答案”。
  5. clf.fit(X_train, y_train)训练模型，学习描述符与吸收类别的映射。
  6. roc_auc_score(y_test, y_prob)计算ROC曲线下面积，评价模型区分“高低吸收”的能力。
  7. clf.predict_proba(new_molecule)[:, 1]对新分子输出“高吸收概率”，这是虚拟筛选的决策依据。
  8. clf.feature_importances_查看哪个描述符最重要（通常PSA和LogP贡献最大），指导化学家修改分子。

常见误区

误区既然是吸收预测，那水溶性越高的药物吸收肯定越好，训练AI时应优先优化溶解度。

正解吸收是溶解与渗透的平衡。水溶性过高往往意味着分子过于亲水，脂溶性（LogP）很低，难以穿过细胞膜的脂双层，渗透性反而变差。理想口服药通常处于“足够溶解、适度亲脂”的平衡区。AI吸收预测模型应该同时包含溶解度和渗透性特征，而不是只看单一指标。

为何常见：初学ADMET者容易从字面理解“吸收依赖溶解”，忽略了生物膜屏障的脂质本质，因此形成“溶解度越高越好”的直觉误区。

误区公式里LogP对渗透性有正贡献，那LogP越大，药物的吸收预测评分就应该越高。

正解渗透性与LogP呈倒U形关系。LogP过高（>5）的分子极易被脂质膜截留，难以进入细胞质侧的水相；同时高LogP伴随低溶解度——一个包裹“太油”，在肠道水环境中根本溶不出来。AI吸收模型需要非线性算法（如随机森林/GNN）来捕捉这种倒U关系，线性模型会给出错误外推。

为何常见：人们习惯用“多多益善”的线性直觉理解关系，忽视了生物体系最常见的“最适区间”特征。

误区模型评估时看到AUC 0.9就认为药物吸收量很大，从而把模型推荐的所有高AUC分子直接送去合成。

正解药理学中的AUC（血药浓度-时间曲线下面积）是药物暴露量，而机器学习中的ROC-AUC是模型区分能力的评价指标。两者同名但含义完全不同。药物暴露量AUC高的分子可能是吸收好，也可能是剂量太高或清除太慢；模型ROC-AUC高则只是说明分类器排得准。任何微调后的模型在进入决策流程前，还需要独立外部验证集确认其真实预测力。

为何常见：跨学科术语碰撞带来天然混淆，药学和机器学习各自独立发展出了"AUC"缩写，初学者未深入理解就极易混淆。

误区只要收集到足够多的ADMET实验数据扔进深度学习模型，吸收预测精度就会持续上升。

正解ADMET数据存在严重的分布偏置——已有实验数据主要来自已开发的药物类分子，而AI制药的目标往往是探索全新的化学空间。如果一个模型只见过“类药”分子，遇到新型骨架时外推能力十分有限。此外，实验误差、数据噪声和标注不一致也会限制模型上限。平衡的做法是：使用确定性规则或迁移学习约束外推，并配合主动学习选择最具有信息量的新分子做实验。

为何常见：“大数据=好模型”在多数机器学习场景成立，但生物数据的小样本和异质性使其成为例外，人们倾向于忽略数据分布与目标分布的差异。

误区固体制剂只要在体外溶出实验（pH缓冲液）中崩解迅速、溶出度高，体内吸收就一定好。

正解体外溶出只是体内吸收的必要环节，而非充分条件。溶出的分子若渗透性差，依然无法穿过肠壁；若被肠道代谢酶破坏，则“溶出即失效”。完整预测需要整合溶出曲线、渗透率、首过代谢、肠道转运体相互作用等多个环节的系统建模，即生理药代动力学（PBPK）模型在AI增强下的综合求解。

为何常见：体外实验容易被测量，也常作为质控标准，于是人们容易把它等同于体内疗效，忽略了体内的复杂动态环境。

面试题

Q1. 口服药物吸收过程中，最重要的两个分子层面因素是：

单选题 · easy

  • A.溶解度和渗透性← 正确答案
  • B.密度和硬度
  • C.色泽和气味
  • D.分子量和电荷

答案：A。吸收的前提是药物先溶解在胃肠液中，再以分子形式透过肠壁屏障。溶解度和渗透性是最核心的两个物理化学因素，密度、色泽、气味等不影响吸收。

Q2. LogP（脂水分配系数）对药物吸收的影响是：

单选题 · mid

  • A.LogP 越高吸收越好
  • B.LogP 越低吸收越好
  • C.倒U形关系，适中最优← 正确答案
  • D.完全不相关

答案：C。LogP过低分子过于亲水难以穿膜，LogP过高则溶解度差且易被脂膜截留，因此呈倒U形关系。AI建模常使用非线性模型捕捉这一规律，线性模型容易错误外推。

Q3. Caco-2细胞模型在ADMET预测中主要模拟：

单选题 · mid

  • A.肝脏代谢屏障
  • B.肠道上皮屏障← 正确答案
  • C.血脑屏障
  • D.肾小球滤过屏障

答案：B。Caco-2细胞来源于人结肠腺癌细胞，培养后可形成与小肠上皮相似的紧密连接单层，是评价药物肠道渗透性的金标准体外模型。PAMPA则用人工脂膜替代细胞。

Q4. 随机森林预测药物吸收类别的最终输出“多数投票”属于：

单选题 · mid

  • A.回归平均值
  • B.集成学习策略← 正确答案
  • C.无监督聚类
  • D.梯度下降优化

答案：B。随机森林生成多棵决策树，每棵树独立投票，最终用多数投票汇总结果，这正是集成学习（Bagging）的核心策略。梯度下降优化的是神经网络的权重。

Q5. 药物口服生物利用度F = fa×fg×fh中，fh代表的含义是：

单选题 · hard

  • A.肠道吸收分数
  • B.肝脏首过代谢系存分数← 正确答案
  • C.血浆蛋白结合率
  • D.肾清除率

答案：B。fh是药物经肠道吸收进入门静脉后，在肝脏中逃过首过代谢的比例。fa+fg+fh三关相乘得到最终进入体循环的药量比例，肝脏首过效应是口服药物生物利用度低的主因之一。

Q6. 下列哪些分子描述符常用于渗透性预测？

多选题 · mid

  • A.LogP 脂水分配系数← 正确答案
  • B.HBD 氢键供体数← 正确答案
  • C.PSA 极性表面积← 正确答案
  • D.NPSA 非极性表面积

答案：ABC。LogP、HBD、PSA是经典的渗透性描述符，分别对应Lipinski五规则中的参数。NPSA并不是标准渗透性描述符，LogP/PSA已包含疏水与极性信息。

Q7. AI吸收预测模型的评价指标包括：

多选题 · mid

  • A.ROC-AUC← 正确答案
  • B.准确率 Accuracy← 正确答案
  • C.药时曲线下面积 AUC
  • D.华森氏系数

答案：AB。ROC-AUC 和 Accuracy 是机器学习分类评价指标；药时曲线下面积是药代动力学中的暴露量指标，两者同名但不同维度。华森氏系数不是标准医学评价指标。

Q8. 图神经网络（GNN）相比传统分子指纹建模的主要优势是：

单选题 · hard

  • A.训练速度更快
  • B.自动学习原子环境表征← 正确答案
  • C.不需要分子数据
  • D.可解释性更强

答案：B。GNN以原子为节点、键为边，通过消息传递自动学习原子局部环境的表征，避免人工设计指纹的偏置。它通常较慢，可解释性弱于树模型，且需要大量数据。

Q9. 改善难溶性药物口服吸收的策略包括：

多选题 · hard

  • A.纳米晶研磨← 正确答案
  • B.前药设计← 正确答案
  • C.固体分散体← 正确答案
  • D.降低给药频次

答案：ABC。纳米晶增大比表面积提升溶出速率，前药设计引入可电离基团改善溶解度，固体分散体以无定形状态提高表观溶解度。给药频次与吸收机制无关。

Q10. 药物进入血液后的分布过程主要影响：

单选题 · easy

  • A.药物在组织的浓度分布← 正确答案
  • B.药物的合成路线
  • C.药物的颜色稳定性
  • D.药物的片剂硬度

答案：A。分布指药物从血液循环进入各组织器官的过程，决定靶组织能否达到有效浓度。合成路线、颜色稳定性、片剂硬度属于化学与制剂范畴。