科研 Skill
药物ADMET计算预测
pharm-admet-insilico-prediction
用SwissADME、ADMETlab等工具预测化合物吸收分布代谢排泄与毒性,评估适用域局限。适用于先导化合物早期筛选,不作安全性依据。
发布者 Codar安全审核通过v0.1.0更新于 2026-11-18
SKILL.md
药物ADMET计算机预测(In-Silico ADMET Prediction)
适用场景
- 在湿实验前对候选化合物库做 ADMET 性质初筛,排序优先合成与测试的分子。
- 先导化合物优化阶段,比较结构类似物的预测渗透性、代谢稳定性、毒性警示基团差异,指导结构改造方向。
- 为虚拟筛选命中化合物(与
pharm-target-drug-databases衔接)补充 ADMET 维度的评估,避免只看活性不看成药性。 - 复核已发表论文中 ADMET 预测方法的工具选择、适用域说明是否充分。
- 为综述或基金申请中的"成药性评估"部分提供计算证据与方法说明。
边界与不适用
- 仅限科研阶段的计算筛选与假设生成,预测结果不构成药物安全性、有效性或人体用药依据;候选化合物的实际 ADMET 性质必须经体外(微粒体稳定性、Caco-2 渗透、CYP 抑制等)与体内实验验证。
- 不替代监管申报所需的 GLP 毒理学研究、临床药理学研究;预测模型不能用于支持注册申报的安全性结论。
- 预测模型基于训练集化学空间,对训练集未覆盖的骨架(如新颖支架、大环、肽类)外推可靠性显著下降,须明确讨论适用域(applicability domain)问题。
- 不提供具体剂量、给药方案或临床使用建议。
- 多数在线工具的预测算法与训练数据会更新,复现他人结果需记录工具版本与使用日期。
工作流
-
结构准备
- 输入:候选化合物的 SMILES 或结构文件(SDF/MOL)。
- 操作:用 RDKit 或 OpenBabel 标准化结构(去盐、中和电荷、互变异构体规范化、生成规范 SMILES);去重(基于 InChIKey)。
- 决策点:盐型、立体异构体是否分别预测需在方法中说明;多数在线工具对手性信息的处理能力有限,须核实工具文档。
- 产出:标准化结构清单(含分子量、原始来源)。
-
理化性质与类药性初筛
- 操作:计算基础描述符(分子量、LogP、氢键供体/受体数、可旋转键数、拓扑极性表面积 TPSA);对照 Lipinski 五规则、Veber 规则等经验规则,但需说明这些规则本身是统计经验而非绝对标准,存在大量例外(如天然产物、肽类药物)。
- 产出:理化性质表。
-
ADMET 多维度预测
- 吸收(A):人体肠道吸收率(HIA)、Caco-2/MDCK 渗透性预测、P-糖蛋白底物/抑制剂预测。
- 分布(D):血浆蛋白结合率、血脑屏障穿透性(BBB)、表观分布容积预测。
- 代谢(M):主要 CYP450 同工酶(1A2、2C9、2C19、2D6、3A4 等)的底物/抑制剂预测,提示潜在药物相互作用风险。
- 排泄(E):肾清除相关性质预测(多数工具此维度预测能力较弱,需谨慎解读)。
- 毒性(T):AMES 致突变性、肝毒性、心脏 hERG 通道抑制(心脏毒性相关)、急性毒性分级;同时用结构警示(structural alerts,如 PAINS、Brenk 规则)标记已知有问题的化学基团。
- 决策点:不同工具对同一终点的预测可能不一致,应多工具交叉验证并报告一致性,而非只取"更乐观"的结果。
-
适用域评估
- 操作:检查候选化合物与模型训练集的化学空间相似性(如用分子指纹的 Tanimoto 相似度与训练集最近邻比较);部分工具(如 ADMETlab)会给出适用域提示,需在结果中保留并报告。
- 决策点:化合物明显落在训练集化学空间之外时,预测结果仅作参考,须在结论中明确标注"超出模型适用域,可靠性低"。
-
结果整合与优先级排序
- 操作:建立多维度评分卡(每个 ADMET 终点按预测结果赋值:绿色/黄色/红色警示),综合考虑活性数据(来自
pharm-dose-response或pharm-target-drug-databases)与 ADMET 预测排序候选化合物;避免用单一分数掩盖关键风险终点(如即使综合分数高,若 hERG 抑制强烈警示也应单独标注并谨慎处理)。 - 产出:候选化合物优先级表。
- 操作:建立多维度评分卡(每个 ADMET 终点按预测结果赋值:绿色/黄色/红色警示),综合考虑活性数据(来自
-
报告与后续验证规划
- 操作:说明哪些预测终点需要湿实验验证优先安排(通常是风险警示最强或分歧最大的终点),哪些可作为背景参考。
工具与数据源
- SwissADME(Swiss Institute of Bioinformatics,swissadme.ch):免费在线工具,提供理化性质、药代性质预测与类药性规则评估。
- ADMETlab(华东理工大学开发,admetmesh.scbdd.com 或后续版本域名,以实际可访问地址为准):综合 ADMET 预测平台,含适用域提示。
- pkCSM(剑桥大学,biosig.lab.uq.edu.au/pkcsm):基于图签名方法的 ADMET 预测。
- admetSAR(华东理工大学):大规模 ADMET 数据驱动的预测平台。
- OPERA(美国 EPA 开发,开源):理化性质与毒理学终点预测,适合监管科学背景研究。
- DataWarrior(开源分子性质计算与可视化工具)。
- 结构标准化:RDKit、OpenBabel。
- 结构警示参考:Baell JB, Holloway GA (2010) 关于 PAINS 的方法论文;Brenk R, et al. (2008) 关于筛选库结构警示的研究。
最小示例:用RDKit计算基础描述符与Lipinski规则筛查(Python)
# pip install rdkit
from rdkit import Chem
from rdkit.Chem import Descriptors, Crippen
def lipinski_check(smiles: str) -> dict:
mol = Chem.MolFromSmiles(smiles)
if mol is None:
return {"valid": False}
mw = Descriptors.MolWt(mol)
logp = Crippen.MolLogP(mol)
hbd = Descriptors.NumHDonors(mol)
hba = Descriptors.NumHAcceptors(mol)
tpsa = Descriptors.TPSA(mol)
violations = sum([mw > 500, logp > 5, hbd > 5, hba > 10])
return {"valid": True, "MW": round(mw, 1), "LogP": round(logp, 2),
"HBD": hbd, "HBA": hba, "TPSA": round(tpsa, 1),
"Lipinski_violations": violations}
print(lipinski_check("CC(=O)Oc1ccccc1C(=O)O")) # 阿司匹林示例
理化性质筛查仅为初步提示,正式 ADMET 结论须经上述专用预测平台并结合多工具交叉验证。
质量检查
- 结构已标准化去重,立体异构体与盐型处理方式已说明。
- 每个 ADMET 终点的预测工具名称、版本(或访问日期)已记录。
- 关键终点(尤其毒性相关)使用了至少两个独立工具交叉验证,报告一致性。
- 适用域评估已执行,超出训练集化学空间的化合物已标注可靠性低。
- 结构警示(PAINS、Brenk 等)分析已纳入,未仅依赖理化规则。
- 结论未将预测结果等同于实验验证结果或人体安全性证据。
- 优先级排序逻辑透明,风险警示未被综合评分掩盖。
- 分析脚本与输入结构文件存档,可复现。
输出格式
- 结构清单表:化合物编号 | 标准化 SMILES | InChIKey | 来源。
- 理化性质表:化合物编号 | MW | LogP | HBD | HBA | TPSA | Lipinski/Veber 违反数。
- ADMET 预测表:化合物编号 | 终点(吸收/分布/代谢/排泄/毒性各项) | 预测值或分级 | 使用工具 | 适用域提示。
- 结构警示表:化合物编号 | 警示类型 | 涉及基团 | 来源规则集。
- 优先级排序表与方法说明:评分规则、风险终点处理方式。
参考规范与文献
- Daina A, Michielin O, Zoete V (2017). SwissADME: a free web tool to evaluate pharmacokinetics, drug-likeness and medicinal chemistry friendliness of small molecules. Scientific Reports.
- Pires DEV, Blundell TL, Ascher DB (2015). pkCSM: Predicting Small-Molecule Pharmacokinetic and Toxicity Properties Using Graph-Based Signatures. Journal of Medicinal Chemistry.
- Xiong G, et al. (2021). ADMETlab 2.0: an integrated online platform for accurate and comprehensive predictions of ADMET properties. Nucleic Acids Research.
- Baell JB, Holloway GA (2010). New substructure filters for removal of pain assays interference compounds (PAINS). Journal of Medicinal Chemistry.
- Brenk R, et al. (2008). Lessons learnt from assembling screening libraries for drug discovery for neglected diseases. ChemMedChem.
- Lipinski CA, et al. (2001). Experimental and computational approaches to estimate solubility and permeability in drug discovery. Advanced Drug Delivery Reviews.
示例提示词
请用SwissADME和pkCSM对这批候选化合物做ADMET性质预测与成药性排序,并说明预测适用域的局限。
所属插件
安装该插件会一并获得同领域的 9 个 Skill / MCP。
同插件的其他科研 Skill
- 剂量效应与协同分析用drc或scipy拟合四参数剂量效应曲线估计IC50/EC50,并用Bliss/Loewe模型评估联用协同。适用于细胞活力与酶抑制实验分析,不外推临床剂量。
- 药物利用研究基于WHO ATC/DDD体系将处方数据换算为用药频度,做结构趋势与政策中断时间序列分析。适用于抗菌药物等药事管理研究。
- 制剂处方 QbD 优化按ICH QbD理念做风险评估与Box-Behnken/CCD响应面实验优化处方工艺。适用于片剂纳米制剂的处方研究,不涉及临床给药。
- 非房室药动学与生物等效用PKNCA计算AUC/Cmax等参数,按交叉设计做ANOVA估计几何均值比90%CI。适用于仿制药生物等效性研究与CRO结果复核。
- 药物警戒信号挖掘下载FAERS数据去重标准化后计算ROR/PRR/EBGM信号,讨论报告偏倚局限。适用于药物不良事件信号挖掘类论文,不做因果判定。
- 群体药动学建模用nlmixr2/NONMEM估计群体药动学结构模型与协变量效应,做VPC和bootstrap验证。适用于稀疏采样PK数据与暴露-效应研究。
- 药理实验设计与报告按ARRIVE 2.0规划动物实验的随机化盲法与样本量估算,落实3R原则。适用于药效学方案设计与投稿前自查,不替代伦理审查。
- 靶点与药物数据库检索从ChEMBL、BindingDB等数据库检索靶点活性数据,统一单位去重整合。适用于SAR建模数据集构建与老药新用线索梳理。
常见问题
药物ADMET计算预测能做什么?
用SwissADME、ADMETlab等工具预测化合物吸收分布代谢排泄与毒性,评估适用域局限。适用于先导化合物早期筛选,不作安全性依据。
如何安装药物ADMET计算预测?
在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「药物ADMET计算预测」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。
药物ADMET计算预测需要哪些权限?
该科研 Skill没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。
药物ADMET计算预测经过官方审核吗?
是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。