使用
模块信息
介绍文档
| 编号 | 494 | |
| 名称 | ADMET-AI | |
| 封面 | .png) | |
| 描述 | 基于AI 快速、准确地预测药物分子的吸收、分布、代谢、排泄和毒性（ADMET）性质，适合大规模化合物筛选。 | |
| 标签 |
| |
| 作者 | Kyle Swanson | |
| 发布时间 | 2025-10-16 14:18:31 | |
| 参考文献 | Swanson K, Walther P, Leitz J, Mukherjee S, Wu JC, Shivnaraine RV, Zou J. ADMET-AI: A machine learning ADMET platform for evaluation of large-scale chemical libraries. bioRxiv [Preprint]. 2023 Dec 28:2023.12.28.573531. doi: 10.1101/2023.12.28.573531. | |
目录导航
- 简介
- 参数说明
- Small Molecule File
- Smiles Column Name
- Predicted Results
- 结果说明
- 参考文献
ADMET-AI
简介
用于药物发现的高性能ADMET预测平台，帮助研究人员从庞大的化学库和组合化学空间中筛选符合药物性质的小分子。随着高通量分子对接和生成式AI技术的发展，药物化学空间迅速扩大，实验验证的分子选择变得更加重要。ADMET-AI提供快速且准确的吸收、分布、代谢、排泄和毒性预测，实现批量预测。
在性能方面，ADMET-AI在TDC ADMET排行榜上获得了最高的平均排名，同时是目前最快的网页端ADMET预测工具，相较于第二快的公共网页预测服务器，速度提升了45%。在本地运行模式下，对一百万个分子进行预测仅需约3.1小时，极大提高了大规模分子筛选的效率。
参数说明
Small Molecule File
小分子SMILES文件，CSV格式。文件内容如下：
smiles,name
O(c1ccc(cc1)CCOC)CC(O)CNC(C)C,lig1
注意
1.小分子SMILES列必须包含列名，示例文件中为smiles。
2.name列用于表示分子名称或标识，可选填写。
Smiles Column Name
CSV文件中小分子SMILES的列名称，例如示例文件中是smiles
Predicted Results
预测结果文件，CSV格式。默认为predicted_results.csv。
结果说明
输出predicted_results.csv文件，包含信息如下：
CYP 预测说明：ADMET-AI 覆盖 5 种主要 CYP450 酶的抑制预测和 3 种底物预测，所有相关预测结果（如
CYP1A2_Veith、CYP2C9_Substrate_CarbonMangels等）均以 0–1 概率值输出。
| 列名 | 含义 | 概率范围 | 任务类型 | 阈值/参考 | 数据规模 |
|---|---|---|---|---|---|
smiles |
分子的 SMILES 表示法 | - | - | - | - |
name |
分子名称或标识 | - | - | - | - |
molecular_weight |
分子量（Da），RDKit 计算 | - | 理化性质 | - | - |
logP |
辛醇/水分配系数，反映疏水性，RDKit 计算 | - | 理化性质 | 过高易致代谢快、溶解度差 | - |
hydrogen_bond_acceptors |
氢键受体数量，RDKit 计算 | - | 理化性质 | - | - |
hydrogen_bond_donors |
氢键供体数量，RDKit 计算 | - | 理化性质 | - | - |
Lipinski |
是否符合 Lipinski 规则（药物可口服性评估） | - | 理化性质 | 5 条规则中的违反数量 | - |
QED |
药物化学综合评分（Quantitative Estimate of Drug-likeness） | - | 理化性质 | 0–1，越接近 1 药化性质越理想 | - |
stereo_centers |
分子的手性中心数量 | - | 理化性质 | - | - |
tpsa |
极性表面积（Topological Polar Surface Area） | - | 理化性质 | - | - |
AMES |
AMES 试验预测，评估致突变性 | 0–1 | 二分类 | < 0.5 视为非致突变 | 7,255 |
BBB_Martins |
跨血脑屏障能力预测（Martins 方法） | 0–1 | 二分类 | > 0.5 提示可穿透 BBB；CNS 药物需高值，外周药物宜低值 | 1,975 |
Bioavailability_Ma |
口服生物利用度预测（Ma 方法） | 0–1 | 二分类 | > 0.5 提示高口服生物利用度 | 640 |
CYP1A2_Veith |
CYP1A2 酶底物或抑制剂预测（Veith 方法） | 0–1 | 二分类 | > 0.5 判定为抑制剂/底物，需警惕药物-药物相互作用 | 12,579 |
CYP2C19_Veith |
CYP2C19 酶底物或抑制剂预测 | 0–1 | 二分类 | > 0.5 判定为抑制剂/底物，需警惕药物-药物相互作用 | 12,665 |
CYP2C9_Substrate_CarbonMangels |
CYP2C9 底物预测（CarbonMangels 方法） | 0–1 | 二分类 | > 0.5 判定为底物，需警惕药物-药物相互作用 | 666 |
CYP2C9_Veith |
CYP2C9 底物/抑制剂预测（Veith 方法） | 0–1 | 二分类 | > 0.5 判定为抑制剂/底物，需警惕药物-药物相互作用 | 12,092 |
CYP2D6_Substrate_CarbonMangels |
CYP2D6 底物预测 | 0–1 | 二分类 | > 0.5 判定为底物，需警惕药物-药物相互作用 | 664 |
CYP2D6_Veith |
CYP2D6 底物/抑制剂预测 | 0–1 | 二分类 | > 0.5 判定为抑制剂/底物，需警惕药物-药物相互作用 | 13,130 |
CYP3A4_Substrate_CarbonMangels |
CYP3A4 底物预测 | 0–1 | 二分类 | > 0.5 判定为底物，需警惕药物-药物相互作用 | 667 |
CYP3A4_Veith |
CYP3A4 底物/抑制剂预测 | 0–1 | 二分类 | > 0.5 判定为抑制剂/底物，需警惕药物-药物相互作用 | 12,328 |
Carcinogens_Lagunin |
致癌性预测（Lagunin 方法） | 0–1 | 二分类 | > 0.5 提示潜在致癌 | 278 |
ClinTox |
临床毒性预测 | 0–1 | 二分类 | < 0.5 提示临床试验通过概率高 | 1,484 |
DILI |
药物诱导肝损伤（Drug-Induced Liver Injury）预测 | 0–1 | 二分类 | < 0.5 视为无 DILI 风险 | 475 |
HIA_Hou |
人体吸收率预测（Hou 方法） | 0–1 | 二分类 | > 0.5 提示良好肠道吸收 | 578 |
NR-AR-LBD |
核受体雄激素受体结合域预测 | 0–1 | 二分类 | > 0.5 提示活性 | ~6,000 |
NR-AR |
核受体雄激素受体活性预测 | 0–1 | 二分类 | > 0.5 提示活性 | ~6,000 |
NR-AhR |
核受体芳烃受体活性预测 | 0–1 | 二分类 | > 0.5 提示活性 | ~6,000 |
NR-Aromatase |
芳香酶抑制活性预测 | 0–1 | 二分类 | > 0.5 提示活性 | ~6,000 |
NR-ER-LBD |
核受体雌激素受体结合域预测 | 0–1 | 二分类 | > 0.5 提示活性 | ~6,000 |
NR-ER |
核受体雌激素受体活性预测 | 0–1 | 二分类 | > 0.5 提示活性 | ~6,000 |
NR-PPAR-gamma |
核受体 PPAR-γ 活性预测 | 0–1 | 二分类 | > 0.5 提示活性 | ~6,000 |
PAMPA_NCATS |
PAMPA 渗透性预测（NCATS 方法） | 0–1 | 二分类 | > 0.5 提示高渗透性 | 2,035 |
Pgp_Broccatelli |
P-糖蛋白底物预测 | 0–1 | 二分类 | > 0.5 提示 Pgp 抑制剂（可能影响药物外排与多药耐药） | 1,212 |
SR-ARE |
抗氧化反应元件诱导预测 | 0–1 | 二分类 | > 0.5 提示活性 | ~6,000 |
SR-ATAD5 |
DNA 损伤修复元件诱导预测 | 0–1 | 二分类 | > 0.5 提示活性 | ~6,000 |
SR-HSE |
热休克元件诱导预测 | 0–1 | 二分类 | > 0.5 提示活性 | ~6,000 |
SR-MMP |
金属基质蛋白酶诱导预测 | 0–1 | 二分类 | > 0.5 提示活性 | ~6,000 |
SR-p53 |
p53 信号通路影响预测 | 0–1 | 二分类 | > 0.5 提示活性 | ~6,000 |
Skin_Reaction |
皮肤反应/刺激性预测 | 0–1 | 二分类 | > 0.5 提示致敏风险 | 404 |
hERG |
hERG 通道抑制预测（心脏毒性） | 0–1 | 二分类 | < 0.5 视为安全（低阻断概率），降低致心律失常风险 | 648 |
Caco2_Wang |
Caco-2 细胞透过性预测 | 0–1（概率） | 二分类 | 回归任务：> -5.0 log cm/s 提示良好被动吸收；分类任务：> 0.5 提示高渗透性 | 906 |
Clearance_Hepatocyte_AZ |
肝细胞清除率预测（AstraZeneca 方法） | - | 回归 | µL·min⁻¹·(10⁶ cells)⁻¹；反映肝脏代谢清除能力 | 1,020 |
Clearance_Microsome_AZ |
微粒体清除率预测 | - | 回归 | mL·min⁻¹·g⁻¹；反映肝微粒体代谢稳定性 | 1,102 |
Half_Life_Obach |
半衰期预测（Obach 方法） | - | 回归 | 小时 (hr)；临床常用 2–12 h 为参考区间 | 667 |
HydrationFreeEnergy_FreeSolv |
水化自由能（FreeSolv 数据库） | - | 回归 | kcal/mol；负值越大，水合越有利 | 642 |
LD50_Zhu |
半数致死量预测（Zhu 方法） | - | 回归 | log(1/(mol/kg))；值越大，毒性越低（致死剂量越高） | 7,385 |
Lipophilicity_AstraZeneca |
脂溶性预测（AstraZeneca 方法） | - | 回归 | log-ratio；衡量脂水分配 | 4,200 |
PPBR_AZ |
血浆蛋白结合率（AstraZeneca 方法） | - | 回归 | %（结合率）；通常 < 90% 较佳，游离药物比例高利于递送 | 1,797 |
Solubility_AqSolDB |
水溶性预测（AqSolDB 数据库） | - | 回归 | log mol/L；> -4（即 > 10⁻⁴ mol/L）通常视为可接受溶解度 | 9,982 |
VDss_Lombardo |
分布容积预测（Lombardo 方法） | - | 回归 | L/kg；0.1–10 L/kg 为常见范围 | 1,130 |
注：Caco-2 在 ADMET-AI 输出中同时包含二分类概率（源于分类模型）和回归值（源于回归模型），本表采用分类概率输出，请以实际输出列名和数值类型为准。~6,000/靶点 为 Tox21 各靶点数据集规模约数。
后缀_drugbank_approved_percentile的列表示对应属性在 DrugBank 批准药物集中的百分位数。例如：
molecular_weight_drugbank_approved_percentile表示该分子分子量在 DrugBank 批准药物中的相对位置（0~100%）。
参考文献
- Swanson K, Walther P, Leitz J, Mukherjee S, Wu JC, Shivnaraine RV, Zou J. ADMET-AI: A machine learning ADMET platform for evaluation of large-scale chemical libraries. bioRxiv [Preprint]. 2023 Dec 28:2023.12.28.573531. DOI: 10.1101/2023.12.28.573531.
