ADMET预测技能

预测ADMET属性以优先筛选化合物进行开发。

快速开始

/admet CC1=CC=C(C=C1)CNC --full
/pk-prediction --library compounds.sdf --threshold 0.7
/toxicity-screen CHEMBL210 --include hERG,DILI,Ames

包含内容

属性	预测项目	模型
吸收	Caco-2、HIA、Pgp	机器学习/定量构效关系
分布

分布容积、血浆蛋白结合率、血脑屏障 | 机器学习/定量构效关系 | | 代谢 | CYP抑制、清除率 | 机器学习/定量构效关系 | | 排泄 | 清除率、半衰期 | 机器学习/定量构效关系 | | 毒性 | hERG、DILI、Ames、致突变性 | 机器学习/定量构效关系 |

输出结构

markdown

ADMET概况：CHEMBL210（奥希替尼）

摘要

属性	数值	状态
类药性	通过	✓
利平斯基五规则

0个违反 | ✓ |

| 维伯规则 | 通过 | ✓ | | PAINS | 0个警报 | ✓ | | 布伦克规则 | 0个警报 | ✓ |

吸收

属性	预测值	置信度
人体肠道吸收	98%	高
Caco-2

15.2 × 10⁻⁶ cm/s | 高 |

| Pgp底物 | 是 | 中 | | 30%口服生物利用度 | 65% | 中 |

分布

属性	预测值	置信度
分布容积	5.2 L/kg	中
血浆蛋白结合率

95% | 高 |

| 血脑屏障 | 是 | 高 | | 中枢神经系统多参数优化 | 5.5 | 良好 |

代谢

属性	预测值	置信度
CYP3A4底物	是	高
CYP3A4抑制剂

是 | 中 |

| CYP2D6抑制剂 | 否 | 高 | | CYP2C9抑制剂 | 否 | 中 | | 清除率 | 8.5 mL/min/kg | 低 |

排泄

属性	预测值	置信度
肾清除率	10%	中
半衰期

48小时 | 高 |

毒性

属性	预测值	置信度
hERG抑制	否	高
药物性肝损伤

需关注 | 中 |

| Ames致突变性 | 阴性 | 高 | | 致癌性 | 阴性 | 中 | | 呼吸毒性 | 否 | 低 |

建议

优势：

• - 良好的口服生物利用度（65%）
• 脑穿透性（可透过血脑屏障）
• 低hERG风险

关注点：

• - 药物性肝损伤风险——需在临床前研究中监测
• CYP3A4抑制——潜在的药物相互作用

总体评价：ADMET概况良好。可推进至体内药代动力学研究。

属性范围

类药性

规则	通过标准
利平斯基五规则	≤ 1个违反
维伯规则

可旋转键 ≤ 10，极性表面积 ≤ 140 Ų | | 伊根规则 | LogP ≤ 5，极性表面积 ≤ 131 Ų | | MDDR | 分子量 ≤ 600，LogP ≤ 5 |

吸收

属性	良好	中等	较差
人体肠道吸收	>80%	40-80%	<40%
Caco-2

>10 | 1-10 | <1 | | 30%口服生物利用度 | >70% | 30-70% | <30% |

分布

属性	良好	中等	较差
分布容积	0.3-5 L/kg	<0.3或>5	极端值
血浆蛋白结合率

<90% | 90-95% | >95% | | 血脑屏障 | LogBB > 0.3 | -0.3至0.3 | < -0.3 |

毒性警报

警报	处理措施
hERG抑制	心脏毒性风险
药物性肝损伤阳性

肝毒性风险 | | Ames阳性 | 致突变性风险 | | PAINS | 检测干扰 | | 结构警报 | 进一步研究 |

运行脚本

bash

完整ADMET概况

python scripts/admet_predict.py --smiles CC1=CC=C... --full

批量预测

python scripts/admet_predict.py --library compounds.sdf --output results.csv

特定属性

python scripts/admet_predict.py --smiles ... --properties hERG,DILI,CYP

按标准筛选

python scripts/admet_filter.py --library compounds.sdf --rules lipinski,veber

依赖要求

bash
pip install rdkit

高级模型可选

pip install deepchem admet-x

参考资料

• - reference/admet-properties.md - 详细属性参考
• reference/toxicity-alerts.md - 毒性警报参考
• reference/pk-models.md - 药代动力学预测模型

最佳实践

1. 1. 使用多种模型：共识预测更可靠
2. 检查置信度：低置信度=需要实验验证
3. 考虑化学结构：新颖结构可靠性较低
4. 迭代设计：利用预测指导合成
5. 早期验证：通过实验确认关键预测

常见误区

误区	解决方案
过度依赖预测	需要实验验证
忽略置信度

检查模型适用域 | | 仅使用单一模型 | 使用多种模型共识 | | 忽略化学结构 | 新颖骨架=预测不确定 | | 后期才进行测试 | 早期ADMET筛选节省时间 |

局限性

• - 模型为近似值：常见误差
• 新颖化学结构：对新骨架可靠性较低
• 体外-体内差异：预测结果不一定能转化
• 物种差异：基于动物数据的人体预测
• 复杂机制：某些毒性无法预测