当前位置：文档之家 › ADMET Predictor5.5 各预测参数简介

ADMET Predictor5.5 各预测参数简介

  • 格式：pdf
  • 大小：149.31 KB
  • 文档页数：10

ADMET Predictor 5.5 各预测参数简介注：1. 该简介仅对初次使用ADMET Predictor 5.5软件的用户提供相关参数的简单解释，如果您需了解各个预测参数及预测模型相关的详细信息，请查看安装目录下的ADMET Predictor Manual.pdf 文件。

2. 为方便用户利用ADMET Predictor 对化合物进行成药性评价及筛选，该简介列出了影响化合物成药性的部分因素及界限值范围，仅供用户参考。

一．理化性质及生物药剂学性质预测模块该模块中主要影响化合物的成药性因素预测参数建议范围脂水分配系数MlogP -2.5≤ MlogP ≤ 4.15 脂水分配系数S+logP -2.5 ≤ S+logP ≤ 5.5水溶性S+Sw S+Sw ≥ 0.01 透膜性参数S+MDCK S+MDCK ≥ 25 透膜性参数S+Peff S+Peff ≥ 0.1 血浆蛋白结合率S+PrUnbnd 2 ≤S+PrUnbnd ≤ 95 人体表观分布体积S+Vd S+Vd ≤5.5 吸收风险系数S+Deflt_Risk 0 ≤S+Deflt_Risk ≤ 2影响口服吸收、分布性质的主要参数吸收风险系数S+Absn_Risk 0 ≤S+Absn_Risk ≤ 31. DiffCoef预测化合物在水中的扩散系数。

单位：cm 2/s ×105化合物的水中扩散系数越大，表示其在水中的溶出速度越快。

对于大多数药物分子，DiffCoef 预测值均大于或等于0.6。

2. MlogP预测化合物的油水分配系数。

MlogP 值越大，表示化合物的脂溶性越强。

根据1230个化合物数据通过非线性回归得到的一个经验方程MlogP of 4.15 corresponds to a ClogP of 5.0（类药性5原则中的规则之一，MlogP 应小于4.15）3. MolVol预测化合物达到熔点时的液体摩尔体积。

单位：[cm 3/mol] (molal volume at the normal boiling point; Schroeder, 1949)摩尔体积越大，溶解度越小。

在程序中该参数用于化合物的分子描述符使用。

对于大多数药物分子，MolVol 的预测值均小于440。

4. S+logP预测化合物的油水分配系数。

S+logP 值越大，表示化合物的脂溶性越强。

(第三方文献报道该模型预测准确性较高) 对于大多数药物分子，S+logP 的预测值范围在(-2.5, 5.5)。

5.S+logDLogD和LogP均用于计算化合物的油水分配系数, 数值越大，表示化合物的脂溶性越强。

其中Log D的预测结果与给定pH值条件有关。

Log D适用于酸碱性物质, Log P适用于中性物质。

6.S+Peff用于预测化合物在人空肠中的有效渗透性(Peff)。

单位：[cm/s×104]S+Peff数值越高，表示化合物的透膜性越大。

对于大多数药物分子，S+Peff的预测值均大于或等于0.1。

7.S+MDCK用于预测化合物的在Madin-Darby犬肾细胞模型上的表观渗透系数(Papp)。

单位：[cm/s×107]S+MDCK数值越高，表示化合物的透膜性越大。

对于口服药物而言，S+MDCK预测值一般应大于25。

8.S+Pcornea用于预测化合物的眼角膜渗透性(兔子，体外模型)单位：[cm/s×107]S+Pcornea数值越高，表示化合物的渗透性越强。

9.S+Sw预测化合物在水中的溶解度。

单位：mg/ml对于口服药物而言，S+Sw预测值一般应大于0.01。

10.S+FaSSGF预测化合物在胃液环境中的溶解度(ADMET Predictor软件中独特的功能)。

单位：mg/mlS+FaSSGF数值越大，表示化合物在胃液中的溶解度越大。

11.S+FaSSIF& S+FeSSIF预测化合物在小肠液环境中的溶解度(ADMET Predictor软件中独特的功能)。

单位：mg/mlS+FaSSIF(进食前小肠液的环境，pH=6.5)& S+FeSSIF(进食后小肠液的环境，pH=5.0)数值越大，表示化合物在小肠液中的溶解度越大。

12.S+SSR用于预测化合物在水中形成过饱和溶液的趋势。

预测结果表示为SupSat和Non_SupSat。

SupSat表示化合物会形成过饱和溶液；Non_SupSat表示化合物不会形成过饱和溶液。

过饱和溶液的性质不稳定，当在此溶液中加入一块小的溶质晶体作为“晶种”，即能引起过饱和溶液中溶质的结晶。

13.S+BBB_Filter用于定性预测化合物血脑屏障渗透性。

预测结果为 High，Low，UndecidedHigh表示化合物容易透过血脑屏障；Low表示化合物不易透过血脑屏障；Undecided表示无法判别化合物透过血脑屏障的难易性。

14.S+LogBBB用于定量预测化合物血脑屏障渗透性。

预测结果为Log(C brain/C blood)，C brain表示化合物在脑组织中的浓度，C blood表示化合物在血浆中的浓度。

一般认为S+LogBBB预测结果大于-0.1时，化合物的血脑屏障渗透性较高。

15.S+PrUnbnd预测化合物的血浆蛋白结合率，预测输出结果为非结合率。

单位：百分比[%]。

对于大多数药物分子，S+PrUnbnd的预测值范围在[2%, 95%]。

16.S+Vd预测化合物的人体分布体积。

单位：L/kgS+Vd值越大，表示化合物在体内的分布越广，达到某治疗浓度时所需的剂量越大。

对于大多数药物分子，S+Vd的预测值范围在[0.1, 5.5]。

17.S+RBP预测化合物的血液-血浆浓度比。

S+RBP的预测值越大，表示化合物在血液中的游离形式占的百分比越多。

对于大多数药物分子，S+RBP的预测值范围在[0.52, 1.3]。

18.S+HIV-ST预测化合物对HIV整合酶链转移的抑制活性。

单位：pIC50（mol/L）S+HIV-ST的预测值越大，表示化合物对HIV整合酶链转移的抑制活性越强。

19.S+HIV-TC预测化合物对HIV整合酶3’端加工的抑制活性。

单位：pIC50（mol/L）S+HIV-TC的预测值越大，表示化合物对HIV整合酶3’端加工的抑制活性越强。

ADMET Predictor默认提供两套打分规则，用于评价化合物的吸收性质好坏，规则如下：20.S+Deflt_Risk●lipophilicity (LP: S+logP < -1.052)●permeability (Pr: S+Peff < 0.116)●acidity at saturation point (pH: S+pH < 3.546)●hydrogen bond donors (Hd: HBDch > 1.401)●polar surface area (SA: T_PSA > 147.69)●polarity (atomic charges) (AQ: ABSQ > 5.124)●permanent charge (PC: FormalQ ≠ 0)对于大多数药物分子，S+Deflt_Risk的预测值小于或等于2。

21.S+Deflt_Code查看化合物违反了S+Deflt_Risk中的哪些打分规则。

22.S+Absn_Risk●Sz: MWt > 550 OR N_Atoms > 35 OR MolVol > 500 OR N_Bonds > 40 (too big)●RB: N_FrRotB > 10 (too flexible)●HD: HBDH > 4 AND HBDch > 1.8 (too many good H-bond donors)●HA: HBA > 9 AND HBAch < -5.8 (too many good H-bond acceptors )●ch: NPA_ABSQ > 21 OR T_PSA > 140 (excessive charge)●ow: S+logP > 5 OR S+logD > 4.1 OR MlogP > 4.1 (high logPoctanol-water)●Pf: S+Peff < 0.1 OR MDCK < 25 (low permeability)●Sw: S+Sw < 0.005 (low solubility)●fu: S+PrUnbnd < 3.5% (low fraction unbound in plasma)●Vd: S+Vd > 5.5 (high steady-state volume of distribution)对于大多数药物分子，S+Absn_Risk的预测值小于或等于3。

23.S+Absn_Code查看化合物违反了S+Absn_Risk中的哪些打分规则。

24.RuleOf5●MlogP > 4.15 (excessive lipophilicity)●MWt > 500 (large size)●HBDH > 5 (too many potential hydrogen bond donors)●M_NO > 10 (too many potential hydrogen bond acceptors)对于大多数药物分子，RuleOf5的预测值应该为0。

25.RuleOf5_Code查看化合物违反了RuleOf5中的哪些打分规则。

另外，我们可以通过ADMET Predictor编辑、添加或删除打分规则。

二．代谢性质及代谢位点预测模块该模块中主要影响化合物的成药性因素预测参数意义MET_***_Clint MET_1A2_Clint数值越大，化合物的代谢稳定性越低。

（2C19、2C9、2D6、3A4同理）建议MET_***_Clint≤30时，化合物的代谢稳定性较理想。

CYP_***_Substr 预测化合物是否会被CYP酶所代谢。

化合物被越多的CYP酶代谢，其代谢稳定性越低。

代谢稳定性MET_UGT 预测化合物是否会被UGTs酶所代谢。

化合物被越多的UGTs酶代谢，其代谢稳定性越低，清除率也越高。

MET_***_Clint MET_1A2_Clint数值越大，化合物的半衰期越短。

（2C19、2C9、2D6、3A4同理）半衰期MET_UGT 化合物被越多的UGT代谢，表示化合物越容易被排泄到体外，半衰期也随之变短。

MET_***_Inh 药物-药物相互作用MET_3A4_Ki_*** 当联合用药时，化合物对代谢酶产生抑制作用会使疗效改变甚至产生毒副作用。

合集下载

python中predict函数参数

python中predict函数参数

python中predict函数参数Python中的predict函数是机器学习和深度学习中常用的函数之一，用于对模型进行预测。

通过输入一组特征数据，该函数可以根据训练好的模型预测出相应的结果。

本文将详细介绍predict函数的使用方法和常见应用场景。

一、predict函数的基本用法predict函数通常是在完成模型的训练之后使用的。

它接受一个输入数据集作为参数，并返回对应的预测结果。

在使用predict函数时，我们需要首先导入相应的库，并加载训练好的模型。

以下是一个简单的示例代码：```pythonimport numpy as npfrom sklearn.linear_model import LinearRegression# 创建特征矩阵和目标向量X = np.array([[1, 2], [3, 4], [5, 6]])y = np.array([3, 5, 7])# 创建并训练线性回归模型model = LinearRegression()model.fit(X, y)# 使用predict函数进行预测new_X = np.array([[7, 8], [9, 10]])predictions = model.predict(new_X)print(predictions)```在上述代码中，我们首先导入了numpy和sklearn.linear_model库，并创建了一个特征矩阵X和目标向量y。

然后，我们使用LinearRegression()函数创建了一个线性回归模型，并使用fit()函数对模型进行训练。

最后，我们使用predict函数对新的特征矩阵new_X进行预测，并将结果打印出来。

二、predict函数的常见应用场景predict函数在机器学习和深度学习中有广泛的应用。

以下是一些常见的应用场景：1. 房价预测：通过输入房屋的各种特征（如面积、地理位置等），使用训练好的模型预测房价。

stata中预测值命令

stata中预测值命令

stata中预测值命令Stata中预测值命令是数据分析中常用的功能之一，它可以根据已有的数据模型，利用模型参数对新的数据进行预测。

本文将介绍Stata中常用的预测值命令，并结合实例说明如何使用这些命令进行预测分析。

一、回归模型预测在Stata中，最常用的预测命令是regress或areg，它们用于估计回归模型的参数，并可以通过predict命令生成预测值。

例如，我们可以使用以下命令估计一个简单的线性回归模型：```regress y x```其中，y是因变量，x是自变量。

估计完成后，我们可以使用以下命令生成预测值：```predict yhat```这样，Stata会生成一个新的变量yhat，其中包含了根据回归模型预测的y的值。

二、时间序列预测Stata也提供了一些专门用于时间序列分析的命令，如arima、arma 等。

这些命令可以用于估计时间序列模型的参数，并生成预测值。

例如，我们可以使用以下命令估计一个ARIMA模型：```arima y, arima(1,1,1)```估计完成后，我们可以使用以下命令生成预测值：```predict yhat, dynamic(n)```其中，n是我们希望预测的时间点的个数。

Stata会生成一个新的变量yhat，其中包含了根据ARIMA模型预测的y的值。

三、分类模型预测除了回归和时间序列模型，Stata还可以用于分类模型的预测。

例如，我们可以使用以下命令估计一个logistic回归模型：```logit y x```估计完成后，我们可以使用以下命令生成预测值：```predict yhat, p```这样，Stata会生成一个新的变量yhat，其中包含了根据logistic 回归模型预测的y的概率。

四、交互效应预测在一些情况下，我们需要考虑自变量之间的交互效应。

Stata提供了一些命令用于估计交互效应模型，并生成预测值。

例如，我们可以使用以下命令估计一个包含交互效应的回归模型：```regress y x1 x2 x1*x2```估计完成后，我们可以使用以下命令生成预测值：```predict yhat```Stata会生成一个新的变量yhat，其中包含了根据包含交互效应的回归模型预测的y的值。

python中predict函数参数

python中predict函数参数

python中predict函数参数一、引言在Python中，predict函数是机器学习中常见的一种函数，用于对模型进行预测。

本文将对predict函数的参数进行详细解析，帮助读者更好地理解和使用该函数。

二、predict函数概述1.函数定义predict函数是scikit-learn库中Model类的一个方法，用于对模型进行预测。

其定义如下：```pythondef predict(self, X, batch_size=None, verbose=0, num_threads=1, epochs=100, shuffle=True, callbacks=None):```2.函数用途predict函数的主要用途是对训练好的模型进行预测，可以用于分类、回归等任务。

三、predict函数主要参数1.X_test：测试数据，用于模型预测。

可以是ndarray、Pandas DataFrame或NumPy数组。

2.y_test：真实标签，用于评估模型的预测结果。

可以是ndarray、Pandas DataFrame或NumPy数组。

3.batch_size：批量大小，用于控制预测过程中每次处理的数据量。

默认值为None，表示不使用批量预测。

4.verbose：输出信息，用于控制预测过程中的日志输出。

默认值为0，表示不输出日志信息。

5.num_threads：线程数量，用于控制预测过程中的多线程数量。

默认值为1，表示使用单线程预测。

6.epochs：训练轮数，用于控制预测过程中的迭代次数。

默认值为100，表示进行100次预测。

7.shuffle：随机打乱数据，用于控制预测过程中数据的重排序。

默认值为True，表示打乱数据。

8.callbacks：回调函数，用于在预测过程中执行自定义操作。

可以是一个或多个回调函数组成的列表。

四、实例演示1.加载数据集这里以Iris数据集为例，首先导入所需的库和数据集：```pythonfrom sklearn.datasets import load_irisfrom sklearn.model_selection import train_test_splitfrom sklearn.linear_model import LogisticRegressionfrom sklearn.metrics import accuracy_scoreiris = load_iris()X = iris.datay = iris.target```2.划分训练集和测试集将数据集划分为训练集和测试集：```pythonX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)```3.训练模型创建一个Logistic回归模型并进行训练：```pythonmodel = LogisticRegression(max_iter=1000)model.fit(X_train, y_train)```4.使用predict函数进行预测对模型进行预测：```pythony_pred = model.predict(X_test)```5.分析预测结果计算预测准确率：```pythonaccuracy = accuracy_score(y_test, y_pred)print("预测准确率：", accuracy)```五、总结与展望本文详细介绍了Python中predict函数的参数及其用法，通过实例演示了如何使用predict函数进行模型预测。

DSADMETV2.5

DSADMETV2.5

使用Discovery Studio进行化合物ADMET性质预测 ADMET性质预测教程目的：采用Discovery Studio，以一组小分子化合物为实例，计算其ADMET性质并对预测结果进行分析。

所需功能和模块：Discovery Studio Visualizer client和DS ADMET。

所需数据文件：pk-test.sd。

所需时间：10分钟前言ADMET性质是指药物在人体内的吸收、分布、代谢、排泄和毒性等性质。

如果在药物开发的早期阶段就能依据化合物的ADMET性质对先导化合物进行有针对性的选取和优化改造，这对提高药物研发的成功率以及减少药物研发后期过程中的资金浪费问题，是非常必要的。

在本教程中，我们将学习怎样在Discovery Studio中计算化合物的ADMET性质，以及对结果进行分析。

介绍本教程中，将预测一组小分子化合物的ADMET性质，本教程包括：•运行ADMET性质计算流程•分析预测结果Discovery Studio中可以计算的ADMET性质包括：•25摄氏度下水溶解度（aqueous solubility）•血脑屏障通透性（Blood brain barrier penetration，BBB）•细胞色素P450 2D6抑制性（Cytochrome P450 2D6 inhibition）•肝毒性（hepatotoxicity）•人类肠道吸收性（human intestinal absorption，HIA）•血浆蛋白结合率（plasma protein binding）运行ADMET性质计算流程1. 导入小分子化合物文件在文件浏览器中双击打开Samples | Tutorials | QSAR | pk-test.sd文件，可以看到20个丙酮酸盐激酶抑制剂显示在pk-test -Molecule Window中。

（图1）图1 小分子化合物示意图2. 选择计算性质，运行计算流程在流程浏览器中，打开ADMET文件夹，双击ADMET Descriptors，打开参数浏览器。