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

  1. 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)。
  2. 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。
  3. 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。
  4. 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"。
  5. 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。
  6. 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

药学与药理学面向药学与药理学研究:靶点与药物数据库、剂量-效应与联用协同、非房室药动学与生物等效、群体药动学建模、药物警戒信号挖掘、药物利用研究、药理实验设计与制剂 QbD。

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

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。