视频 | 通过预测ADMET和体内PK参数,快速筛选候选化合物(英文)
背景概要
课程分三部分开展,第一部分介绍了理化性质预测、药物代谢预测、转运体预测模块,包括pKa,化合物在水中和在模拟胃肠液中的溶解度,表征渗透性的预测参数,血浆蛋白结合率,表观分布容积等,并展示了如何预测化合物对应pKa在不同pH下的离子化形式和含量,如何快速预测BCS分类等;预测化合物是哪些CYP酶,UGT酶,醛氧化酶的底物,抑制剂,并演示了如何预测代谢位点,代谢产物;预测化合物是哪些转运体的底物或抑制剂,如P-gp,BCRP, OATP1B1/1B3, OCT1/2, OAT1/3, BSEP。
第二部分讲解了如何利用自己已有的实验数据和文献中的数据搭建QSAR或QSPR模型,目前主流的人工智能领域,人工神经网络ANN和支持向量机SVM是最主流的算法,ADMET Predictor自建模型模块除了这两种算法,还提供了偏最小二乘法PLS、多重线性回归MLR的建模方法。展现了搭建良好模型的要素:对数据的收集与分析整理,采用合适和精确的分子描述符,预先过滤不相关的分子描述符,采用外部数据进行模型的验证,采用合适的算法进行模型的训练,防止模型过度训练等。阐述了模型搭建的流程,如何考察模型的准确度、变异、不确定性等。
第三部分讲解了快速预测体内PK参数的HTPK模块,包括吸收百分数Fa, 系统清除率,稳态下的表观分布容积Vdss, Cmax,CmaxSS, Tmax, TmaxSS,t1/2, AUC等。
内容概要
ADMET性质的预测 快速预测体内PK参数 如何搭建良好的性质预测模式
讲解人
Michael Lawless,高级首席科学家,美国Simulations Plus
超过20年化学信息与计算化学从业经验,2011年加入美国Simulations Plus,从事AI驱动新药研发工具的开发与应用,并与全球多家制药企业合作不断完善产品。1988年在美国Arkansas大学取得物理化学博士学位。
视频