1. 项目概述：当多肽药物研发遇上AI，我们如何打破ADMET预测的瓶颈？
在生物医药的研发战场上，多肽类药物正扮演着越来越重要的角色。从糖尿病治疗到抗癌新靶点，多肽因其高特异性、低毒性和良好的生物相容性，成为连接小分子化学药和大分子生物药之间的“黄金地带”。然而，这条研发之路并不平坦，一个核心的“拦路虎”就是ADMET性质预测——即药物的吸收、分布、代谢、排泄和毒性。对于传统小分子，我们已有相对成熟的计算模型和数据库，但多肽的序列可变性大、结构灵活、与生物膜相互作用复杂，使得其ADMET预测成为一个公认的难题。传统的实验筛选耗时耗力且成本高昂，严重拖慢了先导化合物优化的步伐。
最近，中南大学董界老师团队在《Journal of Chemical Information and Modeling》上发布的工作，让我这个在计算药物设计领域摸爬滚打了十来年的从业者眼前一亮。他们构建了一个名为“pepADMET”的智能预测平台，专门用于多肽的ADMET系统评估。这不仅仅是又一个机器学习模型的堆砌，其核心创新在于巧妙地引入了迁移学习策略，并整合了海量的多肽序列与性质数据。简单来说，他们用已知的、丰富的生物活性或物化性质数据（源任务）去“教导”模型，让它能更好地理解和预测稀缺的ADMET数据（目标任务）。这就像一位经验丰富的厨师，已经精通了处理各种食材（源任务），当他面对一种新奇的香料（多肽ADMET数据）时，能更快地掌握其特性，而不是从零开始学起。
这个平台对于药物化学家、计算生物学家以及生物信息学分析师来说，无疑是一个强大的增效工具。它意味着，在实验室合成和动物实验之前，我们就能在计算机上对成千上万条多肽候选序列进行快速的ADMET初筛，提前排除那些口服生物利用度极低或潜在毒性较高的分子，将宝贵的研发资源集中在最有希望的苗子上。接下来，我将结合自己的经验，深入拆解这个平台的构建思路、技术细节以及在实际应用中可能遇到的坑，希望能为你理解和使用这类工具提供一份实用的参考。
2. 平台核心架构与迁移学习的精妙设计
2.1 为什么是多肽？为什么是ADMET？
在深入技术细节之前，我们必须先理解问题的独特性。多肽通常由10-50个氨基酸残基通过肽键连接而成，其性质预测的难点在于数据的“高维稀疏性”。一条多肽可以用其氨基酸序列（一维）或推测的三维结构（三维）来表示，但无论是哪种表示，其特征空间都极其庞大。更重要的是，带有实验测定的ADMET标签的数据非常少且获取成本极高。这就导致了经典机器学习模型容易陷入“维度灾难”和“过拟合”的困境——模型记住了有限的训练数据，但对全新的多肽序列毫无预测能力。
董界团队构建pepADMET的聪明之处，在于他们没有硬碰硬地直接用稀少的ADMET数据去训练一个复杂的深度模型，而是采用了“曲线救国”的迁移学习策略。整个平台的架构可以理解为三层：数据层、特征层和模型层。
数据层是基石。他们广泛收集并整合了来自多个公共数据库（如UniProt, PeptideDB, SATPdb）以及文献中的多肽数据。这些数据不仅包括我们最终关心的ADMET端点（如膜渗透性、血浆稳定性、肝毒性等），更包含了海量的“相关任务”数据，例如多肽的抗菌活性、与特定蛋白的结合亲和力、等电点、疏水性等。这些相关任务的数据量远大于ADMET数据，为迁移学习提供了丰富的“先验知识”。
特征层是关键。如何将一条氨基酸序列转化为机器能够理解的数字向量？这里用到了自然语言处理（NLP）中成熟的技术。他们将每条多肽序列视为一个“句子”，每个氨基酸残基视为一个“单词”。采用了诸如氨基酸组成（AAC）、二肽组成（DPC）、自相关函数以及基于预训练语言模型（如ProtBERT）的上下文嵌入等多种特征编码方式。特别是ProtBERT这类模型，它在大规模蛋白质序列上预训练过，能捕捉到氨基酸之间深层次的语义和语法关系，为多肽表示提供了强大的基础。
2.2 迁移学习：从“通才”到“专才”的锻造过程
这是整个平台最核心、也最体现设计智慧的部分。迁移学习的基本思想是：利用在源任务（数据丰富）上学到的知识，来帮助提升在目标任务（数据稀缺）上的性能。
在pepADMET中，他们设计了一个两阶段训练流程：
- 预训练阶段（源任务）：使用海量的多肽相关任务数据（如活性、物化性质）训练一个深度神经网络模型（例如图神经网络GNN或Transformer）。这个阶段的目标不是让模型学会预测ADMET，而是让它学会如何从多肽序列中提取通用、可迁移的特征表示。模型在这个过程中，逐渐理解了哪些氨基酸模式与疏水作用相关，哪些序列片段容易形成特定二级结构，哪些电荷分布会影响分子相互作用。此时，模型成为一个对多肽有深刻理解的“通才”。
- 微调阶段（目标任务）：将预训练好的模型，其大部分网络层（尤其是底层的特征提取层）的参数固定或仅以很小的学习率更新。然后，在模型顶端替换或添加一个新的、较小的输出层（用于预测具体的ADMET属性），并用我们手中有限的、带标签的ADMET数据对这个新组合的网络进行训练。由于底层网络已经具备了强大的多肽特征提取能力，微调阶段只需要用少量数据去调整顶层参数，让模型学会将那些通用特征“映射”到具体的ADMET终点上。这就高效地将“通才”锻造为了“专才”。
注意：这里的一个关键技巧是“分层学习率”或“参数冻结”。通常，越靠近输入的层（负责基础特征提取），在微调时学习率设置得越小，甚至完全冻结；越靠近输出的层（负责具体任务），学习率可以相对大一些。这避免了有限的ADMET数据“冲刷”掉预训练阶段学到的宝贵通用知识。
这种策略的优势是显而易见的：它极大地降低了对目标领域（ADMET）数据量的依赖，提升了模型在数据稀缺场景下的泛化能力和预测准确性。实验表明，采用迁移学习策略的模型，其预测性能显著优于直接从零开始在ADMET数据上训练的相同架构模型。
3. 平台功能拆解与实操要点
3.1 核心预测模块与结果解读
pepADMET平台并非只预测一个笼统的“ADMET分数”，而是将其分解为一系列具体的、对药物研发至关重要的端点。根据论文描述，平台可能包含以下核心预测模块（具体端点可能随版本更新）：
- 吸收（Absorption）：
- 膜渗透性（如Caco-2细胞渗透性）：预测多肽穿过肠道上皮细胞膜的能力，这是口服给药的关键。
- 水溶性：影响制剂和体内分布。
- 分布（Distribution）：
- 血浆蛋白结合率：与药物在血液中的游离浓度、半衰期相关。
- 体积分布：粗略表征药物在体内的分布范围。
- 代谢（Metabolism）：
- 肝微粒体稳定性：预测在肝脏中是否容易被代谢酶快速降解。
- 细胞色素P450酶抑制：评估引发药物-药物相互作用的风险。
- 排泄（Excretion）：
- 清除率预测（可能需要结合其他参数）。
- 毒性（Toxicity）：
- 致突变性（Ames试验）。
- 肝毒性。
- 心脏毒性（如hERG通道抑制）。
实操心得：如何解读预测结果？平台给出的通常是一个介于0到1之间的概率值，或是一个分类标签（如“高渗透性”、“低毒性”）。切记，这些是计算预测值，而非实验真值。我的经验是：
- 关注相对排名，而非绝对数值：在筛选一批候选多肽时，预测值用于排序比用于设定绝对阈值更可靠。优先选择在多个端点上都表现较好的分子。
- 设置合理阈值：初期可以设置较为宽松的过滤阈值（例如，将预测毒性概率>0.7的剔除），避免误杀潜在的好分子。随着项目推进和实验反馈，可以逐步收紧阈值。
- 理解模型的不确定性：先进的平台可能会提供预测置信区间或不确定性估计。对于置信度低的预测，要格外谨慎，最好能通过其他计算方法（如分子动力学模拟）或简单的湿实验进行验证。
3.2 输入准备与数据质量把控
对于用户而言，操作界面可能很简单：输入一条或多条多肽的氨基酸序列（FASTA格式或直接输入）。但在此之前，有几点必须注意：
- 序列格式标准化：确保输入的是标准的20种常见氨基酸的单字母代码。对于非天然氨基酸或修饰（如乙酰化、酰胺化），平台可能无法直接处理。你需要查阅平台文档，看是否支持特定的修饰符，或者考虑用最接近的天然氨基酸替代（但这会引入误差）。
- 明确预测任务：平台可能允许你勾选需要预测的ADMET端点。不要盲目全选，应根据研发阶段和关注重点进行选择。早期发现阶段，可能更关注膜渗透性和基本毒性；优化阶段，则需关注代谢稳定性和蛋白结合率。
- 批次处理与效率：如果需要筛选虚拟库（成千上万条序列），务必利用平台的批量提交功能。编写脚本自动化这一过程可以极大提升效率。注意查询平台的速率限制，避免请求被封。
踩坑记录：我曾遇到过因输入序列中含有罕见字符（如“B”代表天冬酰胺或天冬氨酸，“Z”代表谷氨酰胺或谷氨酸）导致预测失败的情况。后来我们建立了输入序列的预处理流程，强制将序列转换为标准20字母代码，并对模糊字符进行人工核查或剔除，保证了输入数据的洁净。
4. 模型背后的技术细节与算法选择
4.1 特征工程：从序列到数字的魔法
特征提取是模型性能的基石。pepADMET综合使用了多种特征描述符，以从不同角度刻画多肽：
- 序列组成特征：如氨基酸组成（AAC，20维）、二肽组成（DPC，400维）。这些是基础且有效的特征，能反映整体的疏水性、电荷、大小等信息。
- 自相关特征：如Moreau-Broto自相关、Geary自相关、序列顺序耦合数等。这些特征能描述氨基酸属性（如疏水性、体积）沿着序列分布的 patterns，对于捕捉远程相互作用有帮助。
- 基于预训练语言模型的嵌入：这是当前最前沿也最强大的方法。像ProtBERT这样的模型，在数十亿蛋白质序列上进行了自监督预训练，其产生的每个氨基酸位置的嵌入向量（通常是1024维），包含了丰富的上下文语义信息。实操中的一个技巧是，通常不直接使用最后一个隐藏层的输出，而是对序列所有位置的嵌入向量进行池化（如均值池化、最大值池化），得到一条固定长度的、代表整条多肽的向量。ProtBERT的嵌入能够捕捉到例如“某个疏水残基在特定序列背景下可能被埋藏”这类复杂信息，这是简单组成特征无法做到的。
在具体实现时，平台很可能采用了特征融合策略，即将上述多种特征向量拼接起来，形成一个高维的综合特征向量，再输入给后续的预测模型。这要求模型有足够的能力处理高维特征并避免过拟合。
4.2 预测模型架构选型
论文中提到使用了基于迁移学习的深度神经网络。在深度学习中，有几类架构特别适合处理序列或图结构数据：
- 循环神经网络（RNN）及其变体（LSTM, GRU）：天然适合处理序列数据，能捕捉序列中的时序依赖关系。但对于长序列，可能存在梯度消失/爆炸问题。
- 卷积神经网络（CNN）：可以在序列上滑动卷积核，提取局部 motifs（如特定的三肽、四肽模式）。这些局部模式可能与特定的ADMET性质强相关（例如，某些蛋白酶切割位点）。
- 图神经网络（GNN）：如果将多肽的每个氨基酸视为图中的一个节点，氨基酸之间的肽键或空间邻近关系视为边，那么多肽可以表示为一个图。GNN能非常有效地学习图中节点的表示，并聚合邻居信息，这对于理解多肽的三维构象和相互作用至关重要。
- Transformer：目前NLP和生物序列领域的霸主。其自注意力机制能同时关注序列中所有位置的关系，无论距离多远，非常适合捕捉长程依赖。ProtBERT本身就是基于Transformer架构。
我的判断是，pepADMET很可能采用了CNN或Transformer作为主干网络，或者是一种混合架构（例如，用CNN提取局部特征，再用注意力机制进行全局整合）。在预训练阶段，模型在大规模多肽相关任务数据上学习；在微调阶段，针对每个ADMET端点，可能训练多个独立的二分类或回归模型（多任务学习也是一种可能，但ADMET各端点间差异较大，独立模型更常见）。
5. 平台应用场景与研发流程整合
5.1 在药物研发管线中的定位
pepADMET这类工具的价值，在于它能无缝嵌入到多肽药物研发的多个关键阶段，成为一个高效的“虚拟筛选过滤器”和“设计指导器”。
- 早期发现与虚拟筛选：从天然多肽库、通过噬菌体展示技术获得的库、或通过“从头设计”生成的虚拟库中，快速筛选出ADMET性质优良的候选序列。这可以将需要化学合成和初步实验验证的分子数量降低1-2个数量级。
- 先导化合物优化：当得到一个有活性的先导多肽后，常常需要通过氨基酸替换、截短、环化等策略进行优化以提高成药性。对于每一个设计出的类似物，都可以用pepADMET进行快速评估，指导下一轮的设计方向，形成“设计-预测-合成-测试”的快速迭代循环。
- 制剂与给药途径预判：通过预测膜渗透性、水溶性、蛋白结合率等，可以在早期对候选分子的给药途径（口服、注射、局部给药）和制剂难点有一个初步预判，提前规划研发策略。
5.2 与其他计算工具联用
一个智能预测平台很少孤立使用。在实际项目中，我们通常将其纳入一个更庞大的计算工作流：
- 分子对接与结合亲和力预测：首先使用分子对接软件（如AutoDock Vina, Glide）筛选出与靶点蛋白结合能力强的高活性多肽。
- ADMET智能过滤：将上一步得到的高活性候选序列，输入pepADMET进行ADMET性质初筛，剔除成药性风险高的分子。
- 分子动力学模拟验证：对于通过初筛的少数几个顶级候选分子，可以进行更耗时的全原子分子动力学模拟，更精确地评估其与靶点的结合稳定性、构象变化以及膜渗透过程的自由能变化，为最终的选择提供高精度依据。
这个工作流实现了从“活性”到“成药性”的层层递进筛选，最大化计算资源的效率。
6. 局限性、挑战与未来展望
尽管pepADMET代表了多肽ADMET预测的重要进步，但我们必须清醒地认识到其局限性，这也是所有AI辅助药物设计工具共有的挑战。
6.1 当前平台可能存在的局限
- 数据依赖与领域适应性：模型的性能上限由训练数据的质量和数量决定。如果待预测的多肽与训练数据中的多肽在化学空间上分布差异很大（例如，大量含有非天然氨基酸或复杂环化结构），预测准确性可能会下降。这就是所谓的“分布外（OOD）预测”问题。
- 可解释性黑箱：深度神经网络模型，尤其是Transformer，预测能力强大，但可解释性差。模型很难告诉我们“为什么这条多肽预测为高肝毒性”，这不利于化学家基于机理进行理性设计。
- 动态性质预测不足：ADMET中的许多性质是动态过程的结果，例如代谢是酶与底物随时间相互作用的结果。当前基于静态序列特征的模型，难以精确模拟这些动态过程。
- 复杂体内环境简化：模型将复杂的体内生理环境（如肠道菌群、组织屏障、血浆成分）极大地简化了，预测更多是基于体外实验数据或简化模型的关联。
6.2 实操中的应对策略与验证
面对这些局限，我们在实际应用中不能盲目相信预测结果，必须建立一套验证和纠偏机制：
- 建立内部基准测试集：收集自己实验室或项目组内部合成并测试过ADMET性质的多肽数据，作为“黄金测试集”。定期用这个测试集去评估外部平台（如pepADMET）在你所关心的特定多肽类别上的表现。如果发现系统性偏差，可以尝试对预测结果进行校正，或者考虑自己微调模型（如果平台允许）。
- 采用共识预测：不要只依赖一个平台或模型。可以同时使用多个不同的预测工具（如果有的话），或者结合基于不同原理的经典计算方法（如基于Lipinski规则变体的经验规则、分子动力学模拟的自由能计算）。当多个独立的方法给出了一致的预测趋势时，我们的信心会更足。
- 尽早引入湿实验验证：计算预测永远不能完全替代实验。对于进入最终候选名单的分子，应尽早安排关键ADMET性质的实验验证（如Caco-2渗透性实验、肝微粒体稳定性实验）。这些实验结果不仅能确认预测的准确性，更能作为反馈数据，用于迭代优化你内部的预测流程或模型。
6.3 技术演进方向
从pepADMET的工作出发，我们可以看到多肽ADMET预测领域几个清晰的未来方向：
- 多模态数据融合：未来的平台不会只依赖序列信息。整合多肽的预测或实验三维结构信息、分子表面静电势、甚至与膜或蛋白相互作用的粗粒度模拟结果，构建多模态学习模型，将极大提升预测的物理意义和准确性。
- 可解释性AI（XAI）集成：开发并集成诸如注意力可视化、特征重要性分析、反事实解释等XAI技术，让模型能够指出序列中哪些残基或片段对特定ADMET性质贡献最大，从而直接指导序列设计。
- 主动学习与闭环优化：平台可以设计成“主动学习”模式，它不仅给出预测，还能指出哪些新多肽的合成与测试最能减少模型的不确定性。研究人员合成这些关键分子并反馈实验数据，平台据此更新模型，形成一个“计算设计-实验测试-模型更新”的快速闭环，加速研发进程。
- 覆盖更广泛的ADMET端点：随着更多高质量实验数据的积累，平台可以扩展预测的端点范围，例如预测多肽的免疫原性、血脑屏障穿透能力、皮下或鼻腔给药的吸收特性等，满足更广泛的研发需求。
pepADMET的出现，标志着多肽药物研发正在从“试错密集型”向“计算引导型”深刻转变。它不是一个能给出百分百正确答案的“水晶球”，而是一个强大的“探照灯”，能帮助我们在浩瀚的化学黑暗中，更快速、更精准地照亮那些最有希望的前进路径。作为一线研发人员，我们的任务就是理解这盏灯的原理和局限，熟练地使用它，并将它的光芒与我们扎实的实验工作相结合，最终将更多有效的多肽药物推向临床，造福患者。这个过程，充满了挑战，也充满了将前沿计算科学与传统药物发现相结合的魅力。