老湿机香蕉久久久久久,东京热无码中文字幕AV专区,狠狠色丁香久久综合,国产在线观看精品一区二区三区

點擊下載產品手冊

           ADMET Predictor 目前有七大功能模塊

點擊感興趣的模塊，查看詳情

1

理化及生物藥劑學性質預測模塊

2

代謝性質及代謝產物預測模

3

轉運體預測模塊

4

毒性參數預測模塊

5

快速預測體內PK參數的HTPK模塊

6

自建模型模塊

7

AI驅動的藥物設計（AIDD)模塊

理化及生物藥劑學性質預測模塊

溶解性

• 化合物在親水性介質中的溶解度

  水中的溶解度；溶解度 vs. pH曲線

• 胃腸液中溶解度

  模擬胃液、腸液中的溶解度
  

 pKa 

• 酸性、堿性或混合狀態

脂溶性

• logP (中性條件下)

• logD vs. pH曲線

滲透性

• 人空腸中的有效滲透率 (P_eff)

• MDCK細胞膜表觀滲透系數

• 兔子眼角膜滲透性

• 人皮膚滲透性

清除分類

• 拓展清除分類系統（ECCS分類）

• 代謝清除、腎臟排泄、肝臟主動攝取清除

BCS分類/與劑量相關的DCS分類

人體表觀分布體積

血腦屏障透過率

• 提供定性預測模型 (low or high)

• 提供定量預測模型 (log C_brain/C_blood)

空氣-水分配系數

• (Henry’s Law Constant）

血漿蛋白游離分數f_up

• (小鼠、大鼠、人)

全血-血漿藥物濃度比

• (小鼠、大鼠、人)

人肝微粒體中的游離分數

代謝性質及代謝產物預測模塊

該模塊可預測化合物對CYP450、UGT、AOX和酯酶的抑制特性、為酶的底物否？代謝位點、代謝動力學、代謝途徑及代謝產物等參數：

預測的具體參數

是否為CYP450酶的底物：1A2, 2A6, 2B6, 2C8, 2C9, 2C19, 2D6, 2E1, 3A4共9種亞型

是否為AOX酶的底物；預測是否為UGT酶的底物:1A1, 1A3, 1A4, 1A6, 1A8, 1A9, 1A10, 2B7, 2B15共9種亞型

代謝穩定性

代謝產物及代謝途徑

預測被CYP450酶(1A2, 2C9, 2C19, 2D6, 3A4)介導產生的代謝產物、代謝分數、相應的代謝途徑；UGT酶（1A1，1A3，1A4，1A6，1A8，1A9，1A10，2B7，2B15共9種亞型）代謝的產物；AOX及酯酶代謝的產物

轉運體預測模塊

轉運體可以影響藥物的吸收、分布、消除等體內過程，進而影響藥物的有效性和安全性，在藥物間的相互作用中扮演重要角色。同時，轉運體還參與內源性物質的運輸和分布。FDA，EMA，PMDA 和 NMPA 的技術指導原則均建議對主要轉運蛋白與候選新藥之間的相互作用進行全面的分析，以鑒定與已上市藥物的潛在DDI風險。

ADMET Predictor 中轉運體預測模塊可預測化合物是否為 P-gp, BCRP, OATP1B1/3, OAT1/3, OCT1/2 等轉運體的底物或抑制劑，預測化合物被 OATP1B1/3, OAT1/3, OCT1/2 轉運的米氏常數 (K_m)：

P-gp ：P-糖蛋白

?BCRP ：乳腺癌耐藥蛋白    
?BSEP ： 膽鹽輸出泵
?OATP ：有機陰離子轉運多肽    
?OAT ：有機陰離子轉運體
?OCT ：有機陽離子轉運體    

轉運體模塊預測性能展示

毒性參數預測模塊

該模塊可預測以下毒性參數，為進行早期藥物安全性評價提供幫助。

急性毒性

• 半數致死濃度 LD50 (動物模型：大鼠)

致癌性

• 大鼠半數中毒劑量TD₅₀

• 小鼠半數中毒劑量TD₅₀

基因毒性

• 染色體變異 

• 致突變：Ames試驗(10株沙門氏菌模型+日本NIHS數據庫搭建的模型)

生殖毒性

心臟毒性預測

• hERG 編碼的鉀離子通道結合力

• pIC50 (定性及定量預測）

肝臟不良反應

• 5 種肝藥酶的綜合毒性反應

過敏性

• 皮膚過敏性

• 呼吸過敏性

內分泌毒性

• 大鼠雌激素受體毒性

• 大鼠雄激素受體毒性

環境毒物

• 半數致死濃度LC50（模型：黑頭呆魚）

• 半數致死濃度pLC50(模型：大型溞 )

• 半抑制毒性濃度pIGC50(模型：梨形四膜蟲)

• 生物富集系數 

• 生物降解的可能性

磷脂質病 

最大建議治療劑量

結構敏感性分析SSA

可探索不同原子對某些毒性的貢獻，綠色代表這些結構會增大該毒性參數的數值

快速預測體內PK參數的HTPK模塊

ADMET Predictor軟件的該模塊可預測化合物靜脈或口服不同劑量給藥后，在小鼠、大鼠或人體內的吸收百分數、生物利用度；以及小鼠、大鼠或人單次、多次靜注或口服給藥后進入體內血藥濃度-時間曲線和主要的PK參數(如C_max，T_max, AUC，T_1/2，肝臟清除率(L/h)，腎臟清除率(L/h)和分布體積Vd (L/kg) )；參數敏感性分析溶解度和滲透性對吸收百分數的影響；還可設定血漿中的目標穩定濃度，預測所需的給藥劑量。

該模型結合了ACAT模型和房室模型，可更準確地預測化合物的吸收百分數、生物利用度、劑量和PK曲線

預測口服吸收與生物利用度用到了以下兩部分的參數

• 通過結構式預測或實驗測定的數據得到化合物的理化性質、分布與代謝相關參數；

• 軟件內嵌的小鼠、大鼠或人體的胃腸道高級房室吸收與轉運模型（ACAT），該模型整合了胃到結腸各腸段的生理參數，如體積、長度、半徑、膽酸鹽濃度、pH、轉運時間等參數。

可采用軟件預測的參數，也可輸入試驗得到的數據

HTPK模擬結果

單個化合物不同給藥劑量下的藥時曲線預測結果

多個化合物預測的藥時曲線及PK參數對比圖

化合物的溶解度和滲透性對PK影響的敏感性分析

HTPK模塊的部分預測參數

自建模型模塊

通過該模塊，可利用實驗室或文獻的化合物數據搭建新的活性、性質等QSAR/QSPR預測模型。

目前人工智能的機器學習領域，人工神經網絡ANN與支持向量機SVM是最主流的算法；ADMET Predictor自建模型模塊也采用了人工神經網絡，支持向量機；除此之外，還提供了偏最小二乘法PLS、多重線性回歸MLR的建模方法。您可根據自己的化合物選擇合適的建模方法，快速地搭建新的預測模型，并保存作為新的預測模型。

模型搭建與訓練的流程

用人工神經網絡ANNE搭建QSPR模型

篩選出TOP 33個的模型，并自動提示哪個為最優模型，點擊模型可查看并進行參數調整

AI驅動的藥物設計（AIDD)模塊

采用結構轉換規則，經過多次迭代，產生的化學結構將呈現多樣性；迭代中設置化合物產生子代的權重，確保未產生子代的化合物優先產生后代

 限定母核

在化合物優化時，可通過限定骨架結構，保留母核

 整合一流的ADMET性質評估

與ADMET Predictor其他模塊聯用，可同時評估多個ADMET性質

罰分規則

軟件認為預測結果超出預測方位的化合物具有不確定性，將進行罰分，從而減少有問題化合物產生的概率

帕累托最優尋找

通過帕累托最優（Pareto-optimal），找到綜合性質最優的一批化合物

多線程運算

AIDD在8核筆記本電腦上，1天可生成并評估500萬個化合物，從而實現最大化地產生可能的化合物結構

基于化學反應，產生新的化合物

3D 相似性篩選

• 結合3D 形狀和藥效團特征相似性的新型虛擬篩選工具

• 為目標化合物查找一個或多個相似的3D參考構象

• 3D相似性通常是采用內部或商業出售的化合物的3D構象大型數據庫進行篩選

• 在數據庫中篩查到的高度相似的化合物可能具有潛在活性，可優先開展活性測試

ADMET Predictor的可視化及篩選等功能（所有模塊都有該功能）

提供化合物結構優化指導功能(DSA)，為化合物的結構改造提供指導

直觀的數據可視化分析界面

相關性分析

對實驗值與預測值進行相關性分析，以評估預測結果的準確性；或對任意兩參數進行相關性分析

3D/4D顯示

便于對批量化合物數據進行深度挖掘與分析(可對三個參數或四個參數進行相互關系分析)

官能團顯示

 便于用戶更加快捷查找同類官能團或結構類似化合物

星繪顯示

整合化合物的多個預測參數，更加直觀、明了考察化合物的成藥性

結構敏感性分析（SSA）

顯示結構式中哪些原子對該預測參數有正向貢獻

熱圖顯示

對批量化合物的某一參數進行標示、排序便于用戶快捷查看參數分布情況

化合物成藥性ADMET-RISK打分規則

軟件根據世界藥物索引(WDI)的藥物性質，統計并創建了ADMET_Risk的成藥性評分規則。

用戶可對打分規則自定義，創建適合自身化合物的評分規則。

自動尋找懸崖分子對（結構相近，性質差別大）

采用“組合化學逆合成分析程序RECAP”產生結構片段，用于骨架躍遷或R取代基優化

請回到該產品介紹頂部，查看產品概述、應用案例、資料文獻、專題培訓

重點文獻推薦

1.【軟件基本介紹】：詳細講述ADMETPredictor軟件如何構建ADMET模型、軟件操作及相關應用

【摘要】：藥物發現與開發高投入、周期長的高風險項目，在過去幾十年里，計算機輔助工具以及計算機虛擬預測insilico模型已被引入到藥物發現階段，用于預測化合物的ADMET (吸收、分布、代謝、排泄和毒性)性質特征，從而極大程度上避免藥物研發后期由于代謝性質差和毒副作用大的失敗風險。現在，研究人員已經廣泛認識到應在藥物發現階段盡早熟知化合物的ADMET性質及可能存在的問題。在本書中，作者詳細描述了商業軟件程序ADMETPredictor? 7.2 (ADMET Predictor v7.2. Simulations Plus, Inc., Lancaster, CA,USA)是如何構建ADMET模型以及如何采用建立好的模型預測化合物的ADMET性質參數。全章節分為背景、材料、方法三個部分，詳細介紹了ADMETPredictor如何搭建內建模型、如何搭建用戶自己的模型以及軟件的基本操作和應用等內容。

2.【自建模型的應用】：大環內酯類化合物結構-色譜保留時間的模型搭建，用于有關物質分析方法的評價與新雜質的色譜行為的預測

【摘要】：大環內酯類是一種多組分的藥物，建立一個良好靈敏度和高選擇性的分析方法進行雜質控制一直是較大的挑戰。文章建立了三種獨立、靈敏、準確的液相色譜質譜聯用(LC-MS)方法以檢測商業產品中的16環大環內酯類化合物(交沙霉素、交沙霉素丙酸酯、麥迪霉素醋酸酯)及其相關物質。

3.【生物藥物學參數預測準確性】：評估了不同軟件對藥物生物藥劑學參數的預測準確性，發現ADMETPredictor對pKa預測最為準確

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.【毒性參數預測準確性評估】：評估不同軟件對化合物毒性預測的準確性

CappelliCI, Cassano A, Golbamaki A, Moggio Y, Lombardo A, Colafranceschi M, BenfenatiE. SAR QSAR Environ Res. 2015 Dec;26(12):977-999.

6.【成藥性評估】：通過對化合物ADMET性質參數和風險risk預測，評估與篩選化合物

ShuangCao, Ruiyuan Cao, Xialing Liu, Xiang Luo, Wu Zhong. Molecules. 2016 Jul 2;21(7).

7.【ADME應用案例】：評估高通量篩選中影響化合物清除率與暴露的不確定因素

Evaluating the Impact of Uncertainties in Clearance andExposure When Prioritizing Chemicals Screened in High-Throughput AssaysEnvironSci Technol. 2016 Jun 7;50(11):5961-71.

【摘要】：毒性測試模式逐漸引入到高通量篩選方法中，以快速篩選成千上萬的化合物。在高通量風險評估中一般依次選用體外篩選實驗、計算機虛擬預測insilico方法預測體內暴露濃度與藥代動力學PK行為的關系。

對預測的體內暴露或者PK行為的潛在不確定將顯著影響化合物的往后發展的順序，雖然這些影響因素暫時還未知。本研究中，建立了一套獨立評估化合物優選順序的整體框架，整合吸收劑量、PK性質、體外劑量-效應數據到PK/PD模型中。

將文獻報道里預測的清除速率和吸收劑量數值整合到PK/PD模型中，進一步評估對化合物優選順序的不確定影響因素。與文獻報道的數值相比，采用預測的吸收劑量會比預測的清除速率數值具有更大的誤差。最后，對可能影響不確定毒理活性的預測參數設置了可能的變化范圍，并在模型中進行了參數敏感性的分析，以尋找潛在的原因。

8.【溶解度預測的比較】：化合物水中溶解度的計算預測  

In silico prediction of aqueous solubility.

Dearden JC. (2006) Expert Opin. Drug Discov. 1:31-52 

【摘要】：本文對化合物的水溶解度及其影響因素進行了簡要概述，并簡短介紹了定量結構-性質關系。

匯總了1990年以前關于水溶性預測的工作，并對1990年以后的大多數水溶性計算預測方法進行了詳細介紹和深入討論。1990年以后的水溶性計算預測方法開始使用具有多樣性的訓練集。

本文用21個藥物和殺蟲劑組成的測試集對這些研究中提及的水溶解度預測模型的準確性進行了驗證。最后，我們用122個水溶解度已知的藥物分子，對15款商業化軟件的水溶解度預測準確性進行了評測。

9.【LogP預測的比較】：分子親脂性的計算:主流Log P預測方法并用超過96,000個化合物對這些方法進行比較研究

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

【摘要】：Log P的預測方法可以分為兩大類：一是基于結構，一是基于性質。我們首先回顧這兩大類方法的最新研究進展。

然后，我們用一個公開數據集（N=226）和兩個分別來自Nycomed（N=882）和Pfizer（N=95809）的內部數據集對這兩大類預測方法中的代表性方法的預測能力進行了比較。用公開數據集比較了30種預測方法，用工業數據集比較了18中預測方法。所有模型的預測準確性隨著非氫原子數目的增加而降低。算術平均模型（AAM）被用來作為比較的基準模型。如果模型的均方根誤差（RSME）大于AAM的均方根誤差，那么此方法是不可接受的。

對于公開數據集，大多數方法都能給出比較合理的結果；但是，對于內部數據集，只有七個方法能夠同時對Nycomed和Pfizer的化合物進行成功預測。我們提出了一種基于碳原子（NC）和雜原子數目（NHET）的簡單log P計算公式：log P = 1.46（±0.02）+ 0.11（±0.001）NC- 0.11（±0.001）NHET。該計算方法的表現優于大多數本研究中所涉及的方法。最后，本文對影響的log P預測準確性的因素進行了闡述和討論。

10.【成藥性篩選】：利用生物電子等排原理設計新的monastrol衍生物，并利用計算得到的性質參數進行ADMET性質預測

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

【摘要】：為了提供更安全、更有效的藥物，藥物化學家面臨的挑戰正變得越來越大。如何在各類藥性質如溶解度、滲透性、代謝穩定性、藥效和毒性之間取得恰當平衡，是在潛在候選藥物的優化過程最具挑戰性的問題之一。

難溶和滲透性差的化合物會導致酶實驗和細胞實驗產生錯誤的生物學數據和不可靠的SAR結果。Monastrol是第一個報道的有絲分裂驅動蛋白Eg5 小分子抑制劑；但由于其抑制活性弱、類藥性差，從而阻礙了其進一步的發展。

本研究，首先，利用生物電子等排方法，得到monastrol C-5羰基被硫代羰基替換后的衍生物。接著，用計算軟件ADMET Predictor軟件對其進行更進一步的類藥性優化。雖然只是微小的結構改造，但是新化合物的人空腸有效滲透率（PEFF）和Madin-Darby犬腎細胞（MDCK）滲透性都有很大改善。此外，monastrol C-5硫代類似物（命名Special-2）在口服給藥的情況下也是安全的。

Special-2無磷脂沉積毒性，血清谷氨酸草酰乙酸轉氨酶（ SGOT ）水平沒有提高，并且無潛在心臟毒性。最后，分子對接方法被用來研究這些化合物的結合模式。對接研究表明，設計的化合物對于KSP具有高親和力。因此，ADMET性質預測和分子對接方法的組合應用，可以用來提高預測的成功率并能成為設計KSP抑制劑的有效手段之一。

11.【ADME預測案例】：通過理化參數來對藥物的主要清除途徑進行分類

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

【摘要】：藥物主要清除途徑的預測，對于了解其臨床使用上的藥代動力學特性非常重要，如藥物-藥物相互作用及遺傳多態性等，并影響其藥理/毒理作用。本研究建立了一個計算分類方法來預測藥物的主要清除途徑。

此方法僅需要四個理化參數：電荷、分子量（MW）、親脂性（log D） 和血漿蛋白非結合率(fup)。無需做任何實驗，只需藥物的分子結構，就可計算得到這四個參數。訓練集包含141已上市藥物，其主要清除途徑包括CYP3A4、CYP2C9和CYP2D6，OATPs肝攝取，或以原型經腎臟排泄。根據電荷進行分組后，每個藥物都被繪制在由分子量、log D和fup構成的三維空間中。

然后，代表各清除途徑的矩形框根據數學標準：最小體積，最大F值（正確率和召回率的調好平均數），進行繪制。通過兩種方法進行驗證：離一法和新數據集，發現其具有88%的預測精度。如果能夠在此模型的基礎上進一步修改，朝多個清除路徑和/或其它途徑方向發展的話。這不僅可以有助于工業科學家在藥物開發的早期階段進行決斷，從而選擇具有最佳藥代動力學性質的候選化合物。而且對于監管機構在評估新的藥物并給予合理的藥代動力學監管要求的時候也是非常有用的。

12.【自建模型應用】：藥物誘導磷脂質病預測模型的構建

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

【摘要】：藥物誘導的磷脂質病（DIPL）通常表現在藥物開發的臨床前階段，對藥物開發和安全監管審查過程具有重要影響。能夠誘導產生DIPL藥物的一個主要特性是具有兩親性陽離子結構。這為基于結構的解釋提供了證據，并為分析具有DIPL藥物的性質和結構提供了機會。

雖然，美國FDA的工作表明機器學習方法構建的DIPL定量構效關系（QSAR）預測模型可以成功應用于大多數藥物；但是對一些藥物仍不能給出準確預測。在本研究中，結合FDA最新的磷脂質病數據庫，我們開發了一種新的算法和預測技術。經過驗證，發現它是對FDA的QSAR預測模型的一個很好補充。特別是，對于具有高可信度的數據能夠表現出非常好的性能。

我們建立的DIPL預測模型在嚴格的外部驗證測試中表現出80到81%的一致性。并且，該預測模型具有高靈敏度和高特異性；在大多數情況下，這兩者都高于≥80%。也就是，此模型同時具有很高的陰性和陽性預測能力。因此，此模型可用于預測新的藥物是否具有誘導DIPL的性質，以進行篩選。

請回到該產品介紹頂部，查看產品概述、模塊簡介、資料文獻、專題培訓

導  讀

凡默谷技術部精取了近年來ADMET Perdictor在不同領域的應用文章，共6類。

分別為：ADMET Predictor在藥化、天然藥化、CADD的應用；采用ADMET Predictor預測吸收與代謝性質的應用；采用ADMET Predictor預測化合物毒性的應用；ADMET Predictor在環境、食品安全等領域的應用；ADMET Predictor在預測資源或模型開發的應用及中國用戶采用ADMET Predictor發表的應用文章。

希望對您的業務或專業學習有所幫助。內容如下：

如您想了解某領域文章，可點擊下方鏈接查看詳情

• ADMET Predictor在藥化、天然藥化、CADD的應用文章列表匯總 （2016-2020）

• 采用ADMET Predictor預測吸收與代謝性質的應用文章匯總 （2016-2020）

• 采用ADMET Predictor預測化合物毒性的應用文章匯總 （2016-2020）

• ADMET Predictor在環境、食品安全等領域的應用文章匯總 （2016-2020）

• ADMET Predictor在預測資源或模型開發的應用文章匯總（2016-2020）

• 中國用戶采用ADMET Predictor發表的應用文章匯總 （2016-2020）

請回到該產品介紹頂部，查看產品概述、模塊簡介、應用案例、專題培訓

本文匯總了ADMET  Predictor軟件的相關視頻，如需觀看，請點擊下方鏈接查看

• 【視頻】羅氏制藥案例分享：在小分子藥物開發早期階段，采用HTPK模擬技術評估PK性質（英文）

• 【視頻】如何使用ADMET Predictor V10.0進行化合物的設計、優化和篩選

• 【視頻】如何進行化合物的ADMET性質評估和化合物設計

• 【視頻】化合物設計與結構分析軟件Medchem studio簡介與應用

• 【視頻】ADMET Predictor9.5 理化、代謝、毒性及 PK 預測模塊介紹及操作

• 【視頻】ADMET Predictor 自建模型操作視頻簡介

• 【視頻】化合物設計與結構分析軟件Medchem Studio操作演示

• 【視頻】采用AI驅動的藥物設計（AIDD）,加速化合物設計與ADMET篩選（英文）

• 【視頻】通過預測ADMET和體內PK參數，快速篩選候選化合物（英文）

• 【視頻】使用HTPK模塊評估化合物的早期藥代動力學PK（英文）

請回到該產品介紹頂部，查看產品概述、模塊簡介、應用案例、資料文獻