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

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）

吸收（Absorption）

分布（Distribution）

毒性预警（Toxicity Alerts）

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

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

常见误区

局限性

• 模型仅为近似估算：预测误差普遍存在
• 新颖化学结构：对全新骨架的预测可靠性下降
• 体外–体内差异（in vitro–in vivo gap）：预测结果未必能准确反映体内行为
• 种属差异：人类 ADMET 预测常基于动物实验数据推断
• 复杂毒性机制：部分毒性终点尚无法被现有模型有效预测