什么是ADMET Predictor?
ADMET Predictor (简称AP)平台整体可分为4个版块,第1个版块采用AI 算法,通过来自文献和制药企业授权的数据,搭建了约175个ADMET性质的预测模型,可预测化合物的理化和生物药剂学性质,代谢稳定性,代谢位点,代谢产物,是否是转运体的底物或抑制剂,毒性。第2个版块为用户提供简便的AI算法,您可以利用实验或文献中的数据搭建定量或定性的活性QSAR, 某个性质的QSPR模型。第3个版块整合了Simulations Plus公司核心的胃肠道高级房室吸收与转运ACAT和生理药代动力学PBPK技术,可以快速、准确地预测化合物的体内PK曲线与参数。第4个版块为用户提供简便的药物设计方法,包括AI驱动的药物设计AIDD功能。
ADMET Predictor 目前有七大功能模块
理化及生物药剂学性质预测模块
代谢性质及代谢产物预测模
转运体预测模块
毒性参数预测模块
快速预测体内PK参数的HTPK模块
自建模型模块
AI驱动的药物设计(AIDD)模块
ADMET Predictor 功能特点与优势
全面的ADMET/PK性质预测模型
内建超过175个性质参数预测模型,覆盖重要的理化、吸收、分布、代谢、毒性、药代等评价参数
快速的运算速度
便捷地搭建新的活性/性质预测模型
业界推崇的预测精准性
简便且可视化的输入、输出界面
提供基于结构或性质的搜索功能:输入化合物的官能团或性质参数,可快速查找结构或性质类似化合物,便于批量化合物的筛选 指导化合物结构的修饰:强化与结构式绘制软件的联用,可对目标化合物结构式进行修正和结果的再预测 自建模型文件的准备:支持化合物结构式的绘制及对应试验数值的录入,更加便捷地开展自建QSPR模型 结果统计、展示与输出:直接在软件呈现一维至四维的图片、进行某个参数的热图显示、Excel格式导出预测结果,供用户快速理解和分析预测参数间的相互关系
ADMET Predictor在法规监管部门的应用
s
FDA使用ADMET Predictor开展相关的研究工作
预测药物的潜在毒性,为安全性评价提供参考依据
预测药物理化性质及生物药剂学性质参数,指导药代动力学模拟工作;
借助软件搭建新的性质预测模型
与FDA共同开发药物毒性预测模型
FDA与Simulations Plus公司签署五年的合作协议,为ADMET Predictor在药物早期安全性评中提供强大的支持
在国内药检系统的应用
中检院化药所、安评所,超过十家省市级药检院/所均采用该软件预测理化参数,考察与评估杂质毒性,搭建新的预测模型指导药检研究工作
在其他领域的应用
ADMET Predictor与制药企业的部分项目合作
AIDD模块的合作
pKa模型的合作
HTPK模块的合作
美国Simulations Plus:全球领先的生物模拟软件开发与服务商
Simulations Plus创立至今近三十载,为全球客户提供用于药物发现、药物开发、临床研究、法规监管申报的模型引导的药物研发软件和相应的咨询服务,涵盖人工智能/机器学习、生理药代动力学、定量系统药理学/毒理学、群体PK/PD建模等。
365bat:制药领域模拟软件专业供应与技术服务商
365bat团队专注于模型引导的药物研发,提高中国创新药与仿制药的研发效率。
部分企业用户
部分医院用户
北京协和医院、北京医院、北京大学第一医院、北京大学第三医院、中国人民解放军总医院、首都医科大学安贞医院、中日友好医院、首都医科大学宣武医院、北京高博博仁医院、上海儿童医学中心、复旦大学附属华山医院 、复旦大学附属中山医院、复旦大学附属儿科医院、上海中医药大学曙光医院、上海市胸科医院、江苏省人民医院 、浙江大学附属一院 、浙江大学附属二院、福建医科大学第一医院 、中山大学孙逸仙医院、中南大学湘雅三院、济南市中心医院、苏州大学附属第二医院、吉林大学附属第一医院等。
法规部门
CDE、中检院化药所、中检院安评所 、浙江药检院、湖北药检院、四川药检院 、山东药检院、江苏药检所、甘肃药检院 、广东药检所 、上海药检所 、北京药检所 、厦门药检院、内蒙药检院、深圳药检院、广西药检所、贵州药检所、湖南药检院等。
学术单位
上海药物所、医科院药物所、医科院生技所、防化研究院、中国医药工业研究总院、国家上海新药安全评价中心、国家成都新药安全评价中心、深圳湾实验室、台湾财团法人生物技术中心、台湾财团法人生物技术中心、台湾财团法人医药工业技术发展中心、中国药科大学、沈阳药科大学、北京大学、复旦大学、山东大学、上海中医药大学、北京中医药大学、天津中医药大学、中南大学、中山大学、首都师范大学、中国医科大学、中国医药大学、陆军军医大学、石河子大学等。
请回到该产品介绍顶部,查看模块简介、应用案例、资料文献、专题培训
ADMET Predictor 目前有七大功能模块
点击感兴趣的模块,查看详情
1
理化及生物药剂学性质预测模块
2
代谢性质及代谢产物预测模
3
转运体预测模块
4
毒性参数预测模块
5
快速预测体内PK参数的HTPK模块
6
自建模型模块
7
AI驱动的药物设计(AIDD)模块
理化及生物药剂学性质预测模块
通过该模块可预测化合物的理化、生物药剂学、分布、清除等方面的参数,指导开展化合物的吸收、分布、清除等方面的性质评价与筛选。
溶解性
化合物在亲水性介质中的溶解度
水中的溶解度;溶解度 vs. pH曲线
胃肠液中溶解度
模拟胃液、肠液中的溶解度
pKa
酸性、碱性或混合状态
脂溶性
logP (中性条件下)
logD vs. pH曲线
渗透性
人空肠中的有效渗透率 (Peff)
MDCK细胞膜表观渗透系数
兔子眼角膜渗透性
人皮肤渗透性
清除分类
拓展清除分类系统(ECCS分类)
代谢清除、肾脏排泄、肝脏主动摄取清除
BCS分类/与剂量相关的DCS分类
人体表观分布体积
血脑屏障透过率
提供定性预测模型 (low or high)
提供定量预测模型 (log Cbrain/Cblood)
空气-水分配系数
(Henry’s Law Constant)
血浆蛋白游离分数fup
(小鼠、大鼠、人)
全血-血浆药物浓度比
(小鼠、大鼠、人)
人肝微粒体中的游离分数
代谢性质及代谢产物预测模块
该模块可预测化合物对CYP450、UGT、AOX和酯酶的抑制特性、为酶的底物否?代谢位点、代谢动力学、代谢途径及代谢产物等参数:
预测的具体参数
代谢底物
是否为CYP450酶的底物:1A2, 2A6, 2B6, 2C8, 2C9, 2C19, 2D6, 2E1, 3A4共9种亚型
是否为AOX酶的底物;预测是否为UGT酶的底物:1A1, 1A3, 1A4, 1A6, 1A8, 1A9, 1A10, 2B7, 2B15共9种亚型
代谢稳定性
由CYP450 (1A2, 2C9, 2C19, 2D6, 3A4)介导代谢反应的米氏常数Km及最大反应速率Vmax
人CYP450酶(1A2,2C9,2C19,2D6,3A4)固有清除率,小鼠、大鼠或人肝微粒体或肝细胞的固有清除率CLint
抑制作用
预测化合物是否抑制CYP450酶(1A2, 2A6, 2B6, 2C8, 2C9, 2C19, 2D6, 2E1, 3A4)
预测化合物对CYP450酶(1A2, 2A6, 2C8, 2C9, 2C19, 2D6, 3A4)的抑制常数Ki值
代谢位点
预测被AOX酶和CYP450酶 (1A2,2A6,2B6,2C8,2C9,2C19,2D6,2E1,3A4)介导发生的代谢位点
代谢产物及代谢途径
预测被CYP450酶(1A2, 2C9, 2C19, 2D6, 3A4)介导产生的代谢产物、代谢分数、相应的代谢途径;UGT酶(1A1,1A3,1A4,1A6,1A8,1A9,1A10,2B7,2B15共9种亚型)代谢的产物;AOX及酯酶代谢的产物
代谢产物与途径预测结果示例
转运体预测模块
转运体可以影响药物的吸收、分布、消除等体内过程,进而影响药物的有效性和安全性,在药物间的相互作用中扮演重要角色。同时,转运体还参与内源性物质的运输和分布。FDA,EMA,PMDA 和 NMPA 的技术指导原则均建议对主要转运蛋白与候选新药之间的相互作用进行全面的分析,以鉴定与已上市药物的潜在DDI风险。
ADMET Predictor 中转运体预测模块可预测化合物是否为 P-gp, BCRP, OATP1B1/3, OAT1/3, OCT1/2 等转运体的底物或抑制剂,预测化合物被 OATP1B1/3, OAT1/3, OCT1/2 转运的米氏常数 (Km):
P-gp :P-糖蛋白
BCRP :乳腺癌耐药蛋白
BSEP : 胆盐输出泵
OATP :有机阴离子转运多肽
OAT :有机阴离子转运体
OCT :有机阳离子转运体
转运体模块预测性能展示
毒性参数预测模块
该模块可预测以下毒性参数,为进行早期药物安全性评价提供帮助。
急性毒性
半数致死浓度 LD50 (动物模型:大鼠)
致癌性
大鼠半数中毒剂量TD50
小鼠半数中毒剂量TD50
基因毒性
染色体变异
致突变:Ames试验(10株沙门氏菌模型+日本NIHS数据库搭建的模型)
生殖毒性
心脏毒性预测
hERG 编码的钾离子通道结合力
pIC50 (定性及定量预测)
肝脏不良反应
5 种肝药酶的综合毒性反应
过敏性
皮肤过敏性
呼吸过敏性
内分泌毒性
大鼠雌激素受体毒性
大鼠雄激素受体毒性
环境毒物
半数致死浓度LC50(模型:黑头呆鱼)
半数致死浓度pLC50(模型:大型溞 )
半抑制毒性浓度pIGC50(模型:梨形四膜虫)
生物富集系数
生物降解的可能性
磷脂质病
最大建议治疗剂量
结构敏感性分析SSA
可探索不同原子对某些毒性的贡献,绿色代表这些结构会增大该毒性参数的数值
快速预测体内PK参数的HTPK模块
ADMET Predictor软件的该模块可预测化合物静脉或口服不同剂量给药后,在小鼠、大鼠或人体内的吸收百分数、生物利用度;以及小鼠、大鼠或人单次、多次静注或口服给药后进入体内血药浓度-时间曲线和主要的PK参数(如Cmax,Tmax, AUC,T1/2,肝脏清除率(L/h),肾脏清除率(L/h)和分布体积Vd (L/kg) );参数敏感性分析溶解度和渗透性对吸收百分数的影响;还可设定血浆中的目标稳定浓度,预测所需的给药剂量。
该模型结合了ACAT模型和房室模型,可更准确地预测化合物的吸收百分数、生物利用度、剂量和PK曲线
预测口服吸收与生物利用度用到了以下两部分的参数
通过结构式预测或实验测定的数据得到化合物的理化性质、分布与代谢相关参数;
软件内嵌的小鼠、大鼠或人体的胃肠道高级房室吸收与转运模型(ACAT),该模型整合了胃到结肠各肠段的生理参数,如体积、长度、半径、胆酸盐浓度、pH、转运时间等参数。
可采用软件预测的参数,也可输入试验得到的数据
HTPK模拟结果
单个化合物不同给药剂量下的药时曲线预测结果
多个化合物预测的药时曲线及PK参数对比图
化合物的溶解度和渗透性对PK影响的敏感性分析
HTPK模块的部分预测参数
自建模型模块
通过该模块,可利用实验室或文献的化合物数据搭建新的活性、性质等QSAR/QSPR预测模型。
目前人工智能的机器学习领域,人工神经网络ANN与支持向量机SVM是最主流的算法;ADMET Predictor自建模型模块也采用了人工神经网络,支持向量机;除此之外,还提供了偏最小二乘法PLS、多重线性回归MLR的建模方法。您可根据自己的化合物选择合适的建模方法,快速地搭建新的预测模型,并保存作为新的预测模型。
模型搭建与训练的流程
用人工神经网络ANNE搭建QSPR模型
筛选出TOP 33个的模型,并自动提示哪个为最优模型,点击模型可查看并进行参数调整
AI驱动的药物设计(AIDD)模块
AIDD模块是面对药物化学人员,药物设计人员的多目标优化和自动迭代的化合物优化工具,用户可从一个化合物(种子)的结构式出发,通过结构转换规则生成批量化合物,设置多目标的性质评估,系统将自动通过帕累托最优(Pareto-optimal),挑选出综合性质最好的N个化合物,接着系统将自动将这N个化合物作为种子,自动迭代生成符合预期的批量化合物。与其他模块联用可评估和筛选出符合ADMET性质,生物利用度等目标的化合物。可以减少从头设计算法经常遇到有问题化合物的发生概率。
AIDD工作流程
AIDD助您实现:化学结构多样,性质符合预期,操作简便快速
结构多样性
采用结构转换规则,经过多次迭代,产生的化学结构将呈现多样性;迭代中设置化合物产生子代的权重,确保未产生子代的化合物优先产生后代
限定母核
在化合物优化时,可通过限定骨架结构,保留母核
整合一流的ADMET性质评估
与ADMET Predictor其他模块联用,可同时评估多个ADMET性质
罚分规则
软件认为预测结果超出预测方位的化合物具有不确定性,将进行罚分,从而减少有问题化合物产生的概率
帕累托最优寻找
通过帕累托最优(Pareto-optimal),找到综合性质最优的一批化合物
多线程运算
AIDD在8核笔记本电脑上,1天可生成并评估500万个化合物,从而实现最大化地产生可能的化合物结构
结构转换规则
帕累托Pareto最优寻找(多层)
此外该模块还为药物化学人员提供了更多的化合物设计功能(如片段替换、取代基组合繁殖、基于化学反应、结构转换等),通过操作简易的方法可快速设计出批量新化合物;并通过配套的ADMET/PK性质预测,筛选出性质较理想的化合物,从而提高药物发现与优化的成功率。
采用结构转换规则,对化合物进行电子等排体等结构转换
软件自带150种结构转换规则,可编辑、添加新的规则
• 改变官能团
• 连接链中插入新原子
• 对连接链进行删除
• 增加键级
• 降低键级
• 产生新的环
• 增加环的大小
• 减少环的大小
基于化学反应,产生新的化合物
3D 相似性筛选
结合3D 形状和药效团特征相似性的新型虚拟筛选工具
为目标化合物查找一个或多个相似的3D参考构象
3D相似性通常是采用内部或商业出售的化合物的3D构象大型数据库进行筛选
在数据库中筛查到的高度相似的化合物可能具有潜在活性,可优先开展活性测试
ADMET Predictor的可视化及筛选等功能(所有模块都有该功能)
提供化合物结构优化指导功能(DSA),为化合物的结构改造提供指导
直观的数据可视化分析界面
相关性分析
对实验值与预测值进行相关性分析,以评估预测结果的准确性;或对任意两参数进行相关性分析
3D/4D显示
便于对批量化合物数据进行深度挖掘与分析(可对三个参数或四个参数进行相互关系分析)
官能团显示
便于用户更加快捷查找同类官能团或结构类似化合物
星绘显示
整合化合物的多个预测参数,更加直观、明了考察化合物的成药性
结构敏感性分析(SSA)
显示结构式中哪些原子对该预测参数有正向贡献
热图显示
对批量化合物的某一参数进行标示、排序便于用户快捷查看参数分布情况
化合物成药性ADMET-RISK打分规则
软件根据世界药物索引(WDI)的药物性质,统计并创建了ADMET_Risk的成药性评分规则。
用户可对打分规则自定义,创建适合自身化合物的评分规则。
自动寻找悬崖分子对(结构相近,性质差别大)
采用“组合化学逆合成分析程序RECAP”产生结构片段,用于骨架跃迁或R取代基优化
请回到该产品介绍顶部,查看产品概述、应用案例、资料文献、专题培训
重点文献推荐
1.【365bat】:详细讲述ADMETPredictor软件如何构建ADMET模型、软件操作及相关应用
JayeetaGhosh, Michael S. Lawless, Marvin Waldman, Vijay Gombar, Robert Fraczkiewicz.Modeling ADMET. Chapter 4, pp63-83
【365bat】:药物发现与开发高投入、周期长的高风险项目,在过去几十年里,计算机辅助工具以及计算机虚拟预测insilico模型已被引入到药物发现阶段,用于预测化合物的ADMET (吸收、分布、代谢、排泄和毒性)性质特征,从而极大程度上避免药物研发后期由于代谢性质差和毒副作用大的失败风险。现在,研究人员已经广泛认识到应在药物发现阶段尽早熟知化合物的ADMET性质及可能存在的问题。在本书中,作者详细描述了商业软件程序ADMETPredictor™ 7.2 (ADMET Predictor v7.2. Simulations Plus, Inc., Lancaster, CA,USA)是如何构建ADMET模型以及如何采用建立好的模型预测化合物的ADMET性质参数。全章节分为背景、材料、方法三个部分,详细介绍了ADMETPredictor如何搭建内建模型、如何搭建用户自己的模型以及软件的基本操作和应用等内容。
2.【365bat】:大环内酯类化合物结构-色谱保留时间的模型搭建,用于有关物质分析方法的评价与新杂质的色谱行为的预测
XiaZhanga, Jin Lia, Chen Wanga, Danqing Songb, Changqin Hua. J Pharm Biomed Anal.2017 Oct 25; 145: 262-272.
【365bat】:大环内酯类是一种多组分的药物,建立一个良好灵敏度和高选择性的分析方法进行杂质控制一直是较大的挑战。文章建立了三种独立、灵敏、准确的液相色谱质谱联用(LC-MS)方法以检测商业产品中的16环大环内酯类化合物(交沙霉素、交沙霉素丙酸酯、麦迪霉素醋酸酯)及其相关物质。
3.【365bat】:评估了不同软件对药物生物药剂学参数的预测准确性,发现ADMETPredictor对pKa预测最为准确
4.【365bat】:EPA采用软件评估对雌激素代谢产物的预测准确性
Prediction of Estrogenic Bioactivity of EnvironmentalChemical Metabolites
CarolineL. Pinto, Kamel Mansouri, Richard Judson, Patience Browne. Chem Res Toxicol.2016 Sep 19; 29(9): 1410-27.
5.【365bat】:评估不同软件对化合物毒性预测的准确性
CappelliCI, Cassano A, Golbamaki A, Moggio Y, Lombardo A, Colafranceschi M, BenfenatiE. SAR QSAR Environ Res. 2015 Dec;26(12):977-999.
6.【365bat】:通过对化合物ADMET性质参数和风险risk预测,评估与筛选化合物
ShuangCao, Ruiyuan Cao, Xialing Liu, Xiang Luo, Wu Zhong. Molecules. 2016 Jul 2;21(7).
7.【365bat】:评估高通量筛选中影响化合物清除率与暴露的不确定因素
Evaluating the Impact of Uncertainties in Clearance andExposure When Prioritizing Chemicals Screened in High-Throughput AssaysEnvironSci Technol. 2016 Jun 7;50(11):5961-71.
【365bat】:毒性测试模式逐渐引入到高通量筛选方法中,以快速筛选成千上万的化合物。在高通量风险评估中一般依次选用体外筛选实验、计算机虚拟预测insilico方法预测体内暴露浓度与药代动力学PK行为的关系。
对预测的体内暴露或者PK行为的潜在不确定将显著影响化合物的往后发展的顺序,虽然这些影响因素暂时还未知。本研究中,建立了一套独立评估化合物优选顺序的整体框架,整合吸收剂量、PK性质、体外剂量-效应数据到PK/PD模型中。
将文献报道里预测的清除速率和吸收剂量数值整合到PK/PD模型中,进一步评估对化合物优选顺序的不确定影响因素。与文献报道的数值相比,采用预测的吸收剂量会比预测的清除速率数值具有更大的误差。最后,对可能影响不确定毒理活性的预测参数设置了可能的变化范围,并在模型中进行了参数敏感性的分析,以寻找潜在的原因。
8.【365bat】:化合物水中溶解度的计算预测
In silico prediction of aqueous solubility.
Dearden JC. (2006) Expert Opin. Drug Discov. 1:31-52
【365bat】:本文对化合物的水溶解度及其影响因素进行了简要概述,并简短介绍了定量结构-性质关系。
汇总了1990年以前关于水溶性预测的工作,并对1990年以后的大多数水溶性计算预测方法进行了详细介绍和深入讨论。1990年以后的水溶性计算预测方法开始使用具有多样性的训练集。
本文用21个药物和杀虫剂组成的测试集对这些研究中提及的水溶解度预测模型的准确性进行了验证。最后,我们用122个水溶解度已知的药物分子,对15款商业化软件的水溶解度预测准确性进行了评测。
9.【365bat】:分子亲脂性的计算:主流Log P预测方法并用超过96,000个化合物对这些方法进行比较研究
Calculation of molecular lipophilicity: State-of-the-art and comparison of log P methods on more than 96,000 compounds.
Mannhold R, Poda GI, Ostermann C, Tetko IV. (2008) J. Pharm. Sci. 98(3):861-93
【365bat】:Log P的预测方法可以分为两大类:一是基于结构,一是基于性质。我们首先回顾这两大类方法的最新研究进展。
然后,我们用一个公开数据集(N=226)和两个分别来自Nycomed(N=882)和Pfizer(N=95809)的内部数据集对这两大类预测方法中的代表性方法的预测能力进行了比较。用公开数据集比较了30种预测方法,用工业数据集比较了18中预测方法。所有模型的预测准确性随着非氢原子数目的增加而降低。算术平均模型(AAM)被用来作为比较的基准模型。如果模型的均方根误差(RSME)大于AAM的均方根误差,那么此方法是不可接受的。
对于公开数据集,大多数方法都能给出比较合理的结果;但是,对于内部数据集,只有七个方法能够同时对Nycomed和Pfizer的化合物进行成功预测。我们提出了一种基于碳原子(NC)和杂原子数目(NHET)的简单log P计算公式:log P = 1.46(±0.02)+ 0.11(±0.001)NC- 0.11(±0.001)NHET。该计算方法的表现优于大多数本研究中所涉及的方法。最后,本文对影响的log P预测准确性的因素进行了阐述和讨论。
10.【365bat】:利用生物电子等排原理设计新的monastrol衍生物,并利用计算得到的性质参数进行ADMET性质预测
Bioisosteric approach in designing new monastrol derivatives: An investigation on their ADMET prediction using in silico derived parameters.
Hassan SF, Rashid U, Ansari FL, Ul-Haq Z. (2013) J Mol Graph Model. 45C:202-210
【365bat】:为了提供更安全、更有效的药物,药物化学家面临的挑战正变得越来越大。如何在各类药性质如溶解度、渗透性、代谢稳定性、药效和毒性之间取得恰当平衡,是在潜在候选药物的优化过程最具挑战性的问题之一。
难溶和渗透性差的化合物会导致酶实验和细胞实验产生错误的生物学数据和不可靠的SAR结果。Monastrol是第一个报道的有丝分裂驱动蛋白Eg5 小分子抑制剂;但由于其抑制活性弱、类药性差,从而阻碍了其进一步的发展。
本研究,首先,利用生物电子等排方法,得到monastrol C-5羰基被硫代羰基替换后的衍生物。接着,用计算软件ADMET Predictor软件对其进行更进一步的类药性优化。虽然只是微小的结构改造,但是新化合物的人空肠有效渗透率(PEFF)和Madin-Darby犬肾细胞(MDCK)渗透性都有很大改善。此外,monastrol C-5硫代类似物(命名Special-2)在口服给药的情况下也是安全的。
Special-2无磷脂沉积毒性,血清谷氨酸草酰乙酸转氨酶( SGOT )水平没有提高,并且无潜在心脏毒性。最后,分子对接方法被用来研究这些化合物的结合模式。对接研究表明,设计的化合物对于KSP具有高亲和力。因此,ADMET性质预测和分子对接方法的组合应用,可以用来提高预测的成功率并能成为设计KSP抑制剂的有效手段之一。
11.【365bat】:通过理化参数来对药物的主要清除途径进行分类
In Silico Classification of Major Clearance Pathways of Drugs with Their Physiochemical Parameters
Kusama M, Toshimoto K, Maeda K, Hirai Y, Imai S, Chiba K, Akiyama Y, Sugiyama Y. (2010) Drug Metab Dispos. 38, 1362-1370
【365bat】:药物主要清除途径的预测,对于了解其临床使用上的药代动力学特性非常重要,如药物-药物相互作用及遗传多态性等,并影响其药理/毒理作用。本研究建立了一个计算分类方法来预测药物的主要清除途径。
此方法仅需要四个理化参数:电荷、分子量(MW)、亲脂性(log D) 和血浆蛋白非结合率(fup)。无需做任何实验,只需药物的分子结构,就可计算得到这四个参数。训练集包含141已上市药物,其主要清除途径包括CYP3A4、CYP2C9和CYP2D6,OATPs肝摄取,或以原型经肾脏排泄。根据电荷进行分组后,每个药物都被绘制在由分子量、log D和fup构成的三维空间中。
然后,代表各清除途径的矩形框根据数学标准:最小体积,最大F值(正确率和召回率的调好平均数),进行绘制。通过两种方法进行验证:离一法和新数据集,发现其具有88%的预测精度。如果能够在此模型的基础上进一步修改,朝多个清除路径和/或其它途径方向发展的话。这不仅可以有助于工业科学家在药物开发的早期阶段进行决断,从而选择具有最佳药代动力学性质的候选化合物。而且对于监管机构在评估新的药物并给予合理的药代动力学监管要求的时候也是非常有用的。
12.【365bat】:药物诱导磷脂质病预测模型的构建
In silico modeling to predict drug-induced phospholipidosis
Choi SS, Kim JS, Valerio Jr. LG, Sadrieh N. (2013) Toxicol. Appl. Pharmacol. 269(2):195-204
【365bat】:药物诱导的磷脂质病(DIPL)通常表现在药物开发的临床前阶段,对药物开发和安全监管审查过程具有重要影响。能够诱导产生DIPL药物的一个主要特性是具有两亲性阳离子结构。这为基于结构的解释提供了证据,并为分析具有DIPL药物的性质和结构提供了机会。
虽然,美国FDA的工作表明机器学习方法构建的DIPL定量构效关系(QSAR)预测模型可以成功应用于大多数药物;但是对一些药物仍不能给出准确预测。在本研究中,结合FDA最新的磷脂质病数据库,我们开发了一种新的算法和预测技术。经过验证,发现它是对FDA的QSAR预测模型的一个很好补充。特别是,对于具有高可信度的数据能够表现出非常好的性能。
我们建立的DIPL预测模型在严格的外部验证测试中表现出80到81%的一致性。并且,该预测模型具有高灵敏度和高特异性;在大多数情况下,这两者都高于≥80%。也就是,此模型同时具有很高的阴性和阳性预测能力。因此,此模型可用于预测新的药物是否具有诱导DIPL的性质,以进行筛选。
请回到该产品介绍顶部,查看产品概述、模块简介、资料文献、专题培训
导 读
365bat技术部精取了近年来ADMET Perdictor在不同领域的应用文章,共6类。
分别为:ADMET Predictor在药化、天然药化、CADD的应用;采用ADMET Predictor预测吸收与代谢性质的应用;采用ADMET Predictor预测化合物毒性的应用;ADMET Predictor在环境、食品安全等领域的应用;ADMET Predictor在预测资源或模型开发的应用及中国用户采用ADMET Predictor发表的应用文章。
希望对您的业务或专业学习有所帮助。内容如下:
如您想了解某领域文章,可点击下方链接查看详情
请回到该产品介绍顶部,查看产品概述、模块简介、应用案例、专题培训
本文汇总了ADMET Predictor软件的相关视频,如需观看,请点击下方链接查看
请回到该产品介绍顶部,查看产品概述、模块简介、应用案例、资料文献