Admet Prediction_知识管理 skill-PHP中文网

Admet Prediction

Polar Sponsor

爱发电赞助

.NET 9.0

立即下载

用于候选药物的ADMET（吸收、分布、代谢、排泄、毒性）预测，以评估类药性、药代动力学性质及安全性。

ADMET 预测技能

功能概述

ADMET 预测技能是一项面向实际任务的技能，主要用于预设 ADMET 特性, 以优先开发化合物；Property.；

核心要点

Previous.；
Model. 吸附.；
Caco-2, HIA, Pgp.；

使用与执行

ML/ QSAR.；District.；VDs, PPB。它将相关步骤、工具调用和结果整理方式集中到统一流程中，帮助使用者更快完成目标并减少重复操作。使用时应结合输入条件选择合适的执行方式，核对必要参数、依赖环境与输出内容，并按原始要求处理异常情况。从功能定位来看，该技能强调把分散的操作要求整理成清晰、可复用的处理流程，使用户能够围绕既定目标快速准备输入、选择执行方式并获得结构化结果。

结果检查与注意事项

实际使用前应先确认任务范围、数据来源、运行环境、必要权限和关键参数，再依据技能说明逐步执行；若输入条件不完整，应先补齐信息或采用保守配置，避免因错误假设导致结果偏离需求。执行过程中需要关注工具调用是否成功、接口或依赖是否可用、输出格式是否符合预期，并对异常提示、缺失字段和边界情况进行处理；涉及批量任务时，还应保存进度，避免中断后重复操作。该技能适合用于一次性任务，也可以接入自动化工作流，与其他技能或上层代理配合完成更完整的业务链路；在组合使用时，应明确每一步的输入输出关系，并避免不同步骤之间出现参数冲突。

ADMET 预测技能

预测 ADMET 性质，以优先筛选适合进入开发阶段的化合物。

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

性质	预测项目	模型
吸收（Absorption）	Caco-2、HIA、Pgp	ML/QSAR
分布（Distribution）	VDss、PPB、BBB	ML/QSAR
代谢（Metabolism）	CYP 抑制、清除率（clearance）	ML/QSAR
排泄（Excretion）	清除率（clearance）、半衰期（half-life）	ML/QSAR
毒性（Toxicity）	hERG、DILI、Ames、致突变性（mutagenicity）	ML/QSAR

输出结构

# ADMET 档案：CHEMBL210（Osimertinib）

## 概要
| 性质 | 数值 | 状态 |
|----------|-------|--------|
| 类药性（Drug-likeness） | 通过 | ✓ |
| Lipinski Ro5 | 0 项违反 | ✓ |
| VEBER | 通过 | ✓ |
| PAINS | 0 条警告 | ✓ |
| Brenk | 0 条警告 | ✓ |

## 吸收（Absorption）
| 性质 | 预测结果 | 置信度 |
|----------|------------|-------------|
| HIA | 98% | 高 |
| Caco-2 | 15.2 × 10⁻⁶ cm/s | 高 |
| Pgp 底物 | 是 | 中 |
| F30% | 65% | 中 |

## 分布（Distribution）
| 性质 | 预测结果 | 置信度 |
|----------|------------|-------------|
| VDss | 5.2 L/kg | 中 |
| PPB | 95% | 高 |
| BBB | 是 | 高 |
| CNS MPO | 5.5 | 良好 |

## 代谢（Metabolism）
| 性质 | 预测结果 | 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（Clearance） | 8.5 mL/min/kg | 低 |

## 排泄（Excretion）
| 性质 | 预测结果 | 置信度 |
|----------|------------|-------------|
| 肾清除率（Renal clearance） | 10% | 中 |
| 半衰期（Half-life） | 48 小时 | 高 |

## 毒性（Toxicity）
| 性质 | 预测结果 | 置信度 |
|----------|------------|-------------|
| hERG 抑制 | 否 | 高 |
| DILI | 存在关注点 | 中 |
| Ames 致突变性 | 阴性 | 高 |
| 致癌性（Carcinogenicity） | 阴性 | 中 |
| 呼吸系统毒性（Respiratory toxicity） | 否 | 低 |

## 建议
**优势**：
- 口服生物利用度良好（65%）
- 具备脑渗透能力（BBB 可穿透）
- hERG 风险低

**关注点**：
- DILI 关注点 —— 需在临床前研究中监测
- CYP3A4 抑制 —— 存在潜在药物相互作用（DDI）风险

**总体评价**：ADMET 档案良好，可推进至体内 PK 研究。

性质取值范围

类药性（Drug-Likeness）

规则	通过标准
Lipinski Ro5	≤ 1 项违反
Veber	RotB ≤ 10，PSA ≤ 140 Å
Egan	LogP ≤ 5，PSA ≤ 131 Å
MDDR	MW ≤ 600，LogP ≤ 5

吸收（Absorption）

性质	良好	中等	差
HIA	>80%	40–80%	<40%
Caco-2	>10	1–10	<1
F30%	>70%	30–70%	<30%

分布（Distribution）

性质	良好	中等	差
VDss	0.3–5 L/kg	<0.3 或 >5	极端值
PPB	<90%	90–95%	>95%
BBB	LogBB > 0.3	−0.3 至 0.3	< −0.3

毒性预警（Toxicity Alerts）

预警项	应对建议
hERG 抑制	存在心脏毒性风险
DILI 阳性	存在肝毒性风险
Ames 阳性	存在致突变性风险
PAINS	可能干扰实验测定
结构预警（Structural alerts）	需进一步分析确认

运行脚本

# 完整 ADMET 档案预测
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

# 特定性质预测
python scripts/admet_predict.py --smiles "..." --properties hERG,DILI,CYP

# 按规则筛选
python scripts/admet_filter.py --library compounds.sdf --rules lipinski,veber

依赖要求

pip install rdkit

# 高级模型可选依赖
pip install deepchem admet-x

参考文档

reference/admet-properties.md —— 性质定义与说明详述
reference/toxicity-alerts.md —— 毒性预警项参考
reference/pk-models.md —— PK 预测模型说明

最佳实践

使用多种模型：共识预测结果更可靠
关注置信度：低置信度结果需实验验证
结合化学背景判断：新颖结构的预测可靠性较低
迭代式设计：利用预测结果指导合成路线优化
尽早验证关键预测：对核心 ADMET 性质开展实验确认

常见误区

误区	解决方案
过度依赖预测结果	必须进行实验验证
忽略置信度指标	检查模型适用域（Applicability Domain）
仅使用单一模型	应采用多个模型的共识预测
忽视化合物化学特性	新型骨架（novel scaffolds）预测结果不确定性高
在研发后期才开展测试	早期 ADMET 筛选可显著节省时间与资源