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V_dss, C_max，C_maxSS, T_max, T_maxSS,t_1/2, 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