視頻 | 通過預測ADMET和體內PK參數，快速篩選候選化合物（英文）

背景概要

課程分三部分開展，第一部分介紹了理化性質預測、藥物代謝預測、轉運體預測模塊，包括pKa，化合物在水中和在模擬胃腸液中的溶解度，表征滲透性的預測參數，血漿蛋白結合率，表觀分布容積等，并展示了如何預測化合物對應pKa在不同pH下的離子化形式和含量，如何快速預測BCS分類等；預測化合物是哪些CYP酶，UGT酶，醛氧化酶的底物，抑制劑，并演示了如何預測代謝位點，代謝產物；預測化合物是哪些轉運體的底物或抑制劑，如P-gp，BCRP, OATP1B1/1B3, OCT1/2, OAT1/3, BSEP。

第二部分講解了如何利用自己已有的實驗數據和文獻中的數據搭建QSAR或QSPR模型，目前主流的人工智能領域，人工神經網絡ANN和支持向量機SVM是最主流的算法，ADMET Predictor自建模型模塊除了這兩種算法，還提供了偏最小二乘法PLS、多重線性回歸MLR的建模方法。展現了搭建良好模型的要素：對數據的收集與分析整理，采用合適和精確的分子描述符，預先過濾不相關的分子描述符，采用外部數據進行模型的驗證，采用合適的算法進行模型的訓練，防止模型過度訓練等。闡述了模型搭建的流程，如何考察模型的準確度、變異、不確定性等。

第三部分講解了快速預測體內PK參數的HTPK模塊，包括吸收百分數Fa, 系統清除率，穩態下的表觀分布容積V_dss, C_max，C_maxSS, T_max, T_maxSS,t_1/2, AUC等。

內容概要

• ADMET性質的預測
• 快速預測體內PK參數
• 如何搭建良好的性質預測模式

講解人

Michael Lawless，高級首席科學家，美國Simulations Plus
超過20年化學信息與計算化學從業經驗，2011年加入美國Simulations Plus，從事AI驅動新藥研發工具的開發與應用，并與全球多家制藥企業合作不斷完善產品。1988年在美國Arkansas大學取得物理化學博士學位。

視頻