ADMET预测模型挑战赛：药物研发中的关键技术与实战

1. 社区驱动的ADMET预测模型挑战赛：ExpansionRx-OpenADMET盲测解析

在药物研发领域，ADMET（吸收、分布、代谢、排泄和毒性）性质的准确预测一直是决定候选化合物成败的关键因素。最近，ExpansionRx与OpenADMET合作推出的盲测挑战赛，为计算化学和药物发现社区提供了一个难得的实战平台。这个挑战赛不仅提供了超过7000个小分子的高质量实验数据集，更通过九项关键ADMET指标的预测任务，直击药物研发中最具挑战性的环节。

2. 挑战赛背景与意义

2.1 小分子药物研发的ADMET瓶颈

尽管生物制剂和基因疗法近年来发展迅速，小分子药物仍然是现代药物发现的基石——过去十年中，FDA批准的药物中约75%属于小分子药物。这类化合物具有合成简便、性质可调等优势，但其在体内的行为预测却异常复杂。一个候选化合物能否成为成功药物，往往取决于其ADMET性质是否满足要求。

业内经验表明，约40%的候选药物在临床前阶段因ADMET问题被淘汰，这也是药物研发失败率居高不下的主要原因之一。

2.2 开放科学的价值

OpenADMET作为开放科学倡议，通过整合结构生物学、高通量实验和计算建模来改进ADMET预测。其核心策略之一就是组织盲测挑战，在真实、高质量数据集上对预测模型进行基准测试。这种社区驱动的方法有三大优势：

1. 数据共享：ExpansionRx慷慨公开了其在肌强直性营养不良(DM1)、肌萎缩侧索硬化症(ALS)和痴呆症等RNA介导疾病药物研发过程中产生的高质量ADMET数据
2. 方法验证：参与者在相同数据集上测试不同建模方法，可客观比较各种算法的优劣
3. 问题导向：挑战设置的九项ADMET指标直接来自实际药物优化过程中遇到的真实问题

3. 数据集详解与挑战任务

3.1 数据集构成

挑战赛提供的数据集包含7000多个小分子在多个ADMET实验中的测量结果，分为：

• 训练集：包含分子结构(SMILES)和对应的ADMET测量值，供参与者训练模型
• 盲测试集：仅提供分子结构，要求参与者预测九项ADMET性质，用于最终评分

数据集特别注重以下几点质量保证：

• 实验数据均来自标准化操作流程
• 包含原始数据和经过清洗的版本
• 明确标注了超出测量范围的数据点

3.2 九大ADMET预测任务解析

3.2.1 脂溶性与溶解度预测

1. LogD(pH7.4)：表征化合物在生理pH下的脂水分配系数，直接影响化合物的膜渗透性和分布

   • 测量方法：摇瓶法结合LC-MS定量
   • 典型优化范围：1-3(过低则渗透性差，过高可能影响溶解度)

2. 动力学溶解度(KSOL)：模拟药物在胃肠道中的溶解行为

   • 单位：μM
   • 关键点：不同于平衡溶解度，更能反映生物相关条件下的溶解特性

3.2.2 代谢稳定性预测

3. 人肝微粒体清除率(HLM CLint)：预测体内肝脏代谢速度

   • 单位：mL/min/kg
   • 计算原理：通过测定底物消失速率推算内在清除率

4. 小鼠肝微粒体稳定性(MLM)：跨物种代谢比较的重要指标

   • 注意：小鼠数据对临床前药代动力学研究至关重要

3.2.3 渗透性与转运体影响

5. Caco-2渗透性(Papp A>B)：模拟肠道吸收

   • 单位：10^-6 cm/s
   • 实验细节：使用极化培养的Caco-2细胞单层

6. Caco-2外排比：评估转运体(如P-gp)对吸收的影响

   • 计算方式：Papp B>A / Papp A>B
   • 经验阈值：>2表示可能有显著外排作用

3.2.4 蛋白结合率预测

7-9. 组织蛋白结合率：

• 小鼠血浆蛋白结合(MPPB)
• 小鼠脑蛋白结合(MBPB)
• 小鼠腓肠肌蛋白结合(MGMB)
• 单位：%未结合
• 意义：决定游离药物浓度，影响药效和毒性

4. 参与挑战的实操指南

4.1 环境准备与数据获取

4.1.1 通过Hugging Face Datasets库获取数据

python复制from datasets import load_dataset

# 下载清洗后的训练集
ds_clean = load_dataset("openadmet/openadmet-expansionrx-challenge-train-data")
df_clean = ds_clean["train"].to_pandas()

# 下载原始训练集(含超出测量范围的数据)
ds_raw = load_dataset("openadmet/openadmet-expansionrx-challenge-train-data", name="raw")
df_raw = ds_raw["train"].to_pandas()

# 下载盲测试集
ds_test = load_dataset("openadmet/openadmet-expansionrx-challenge-test-data-blinded")
df_test = ds_test["test"].to_pandas()

4.1.2 数据预处理要点

1. SMILES标准化：

   • 统一不同表示方式(如立体化学符号)
   • 检查并修复无效SMILES
   • 考虑使用RDKit进行标准化处理

2. 缺失值处理：

   • 分析缺失模式是否为随机缺失
   • 考虑多重插补或基于模型的填补方法

3. 特征工程：

   • 计算分子描述符(MW, logP, HBD/HBA等)
   • 生成分子指纹(ECFP, MACCS等)
   • 可考虑3D构象依赖的特征

4.2 建模策略与技巧

4.2.1 模型选型建议

4.2.2 评估指标选择

不同ADMET端点应采用合适的评估指标：

• 连续变量(如LogD)：RMSE, R²
• 分类变量(如外排比分类)：AUC-ROC, F1-score
• 特别关注在关键决策阈值附近的预测准确性

实际药物研发中，模型在特定数值区间的准确度往往比整体指标更重要。例如，对于LogD在2-4范围内的化合物预测需要格外精确。

4.3 提交与评估流程

1. 预测结果格式：

   • 严格遵循挑战页面指定的CSV格式
   • 确保分子ID与测试集完全对应
   • 注意各端点的单位要求

2. 评估时间线：

   • 提交窗口：通常为2-4周
   • 结果公布：所有提交评分后1-2周
   • 优胜者需提供可复现的代码

3. 评分标准：

   • 主要指标：各端点预测的综合性能
   • 次要指标：方法的创新性和解释性
   • 特别鼓励提供不确定性估计方法

5. 常见问题与解决方案

5.1 数据相关挑战

问题1：某些端点数据分布极度不平衡

例如蛋白结合率大多集中在<1%或>99%，中间值罕见。

解决方案：

• 采用加权损失函数
• 使用SMOTE等过采样技术
• 考虑转化为分类问题

问题2：不同实验批次间的系统偏差

解决方案：

• 检测批次效应(如PCA分析)
• 加入批次作为协变量
• 使用ComBat等校正方法

5.2 建模技术难题

问题3：分子表征选择困难

决策树：

1. 如果数据量小(<1000)：优先使用预计算描述符
2. 中等数据量：尝试ECFP指纹+传统ML
3. 大数据量：考虑图神经网络端到端学习

问题4：多任务学习的负迁移

解决方案：

• 先分析端点间相关性
• 采用软参数共享架构
• 添加任务特定适配层

5.3 实际应用考量

问题5：模型在化学空间边缘表现差

缓解策略：

• 应用域(AD)分析
• 预测时提供不确定性估计
• 对低置信度预测给出警告

问题6：计算效率与精度平衡

优化建议：

• 对早期筛选用轻量级模型
• 关键决策点再用复杂模型
• 考虑模型蒸馏技术

参与这类盲测挑战时，保持实验记录的完整性至关重要。建议使用工具如Weights & Biases或MLflow跟踪所有实验参数和结果。这不仅有助于后期分析，也是研究可重复性的关键。

在药物发现领域，ADMET预测模型的真正价值在于能否减少实验迭代次数。我们开发模型时，应该时刻思考：这个预测能否帮助化学家做出更好的分子设计决策？这种问题导向的思维往往能产生最具实用价值的解决方案。