克服药物发现与开发的关键挑战——用AI技术预测ADMET

克服药物发现与开发的关键挑战——用AI技术预测ADMET

药物研发是一个复杂且耗时的过程，其中ADMET特性（吸收、分布、代谢、排泄和毒性）的预测是关键环节。传统方法依赖昂贵的实验，而AI技术的引入为这一领域带来了革命性的变化。本文将探讨AI如何改进ADMET预测的准确性，并分析其面临的挑战和未来发展方向。

活性与可开发性

药物的成功不仅取决于其对靶标的活性，还与其在体内的行为密切相关。化合物的ADME性质决定了其在人体内的行为，而毒性（T）则决定了其安全性和耐受性。因此，了解药物如何被吸收、分布、代谢和消除，以及评估其潜在的毒性，对于优化其有效性和安全性至关重要。

传统上，评估ADMET特性的方法主要依赖于体外和体内实验，这不仅耗时且成本高昂，有时在伦理道德上也具有挑战性。因此，计算机预测工具逐渐成为重要的替代方案。尽管自20世纪70年代以来，计算模型就被应用于药物开发，但仍然需要不断改进和审查用于ADMET性质预测的方法。

高级别与低级别性质

ADMET性质涵盖了从分子本身的物理化学性质到复杂的生物应答等多个层面。由于底层生物系统和过程的复杂性，成功的方法通常将建模分为低级别和高级别性质。低级别性质如logP与分子量（MW）的关系往往存在简单的线性关系，而高级别性质则需要多层次或系统生物学方法来建模。

AI作为游戏规则的改变者

现代人工智能技术，特别是深度学习和大型语言模型（LLM），为ADMET性质建模带来了革命性的变化。深度学习模型擅长分析复杂的数据集，能够理解分子结构及其关系，从而促进更准确的ADMET预测。LLM则在数据收集和整合方面展现出独特优势，能够处理自然语言查询，为模型训练提供更丰富的信息来源。

挑战和未来展望

尽管AI驱动的ADMET预测具有巨大潜力，但仍面临数据可用性和质量、模型可解释性等挑战。为了解决这些问题，建立“联盟”方法，通过一致的实验方法流程来确定ADMET终点，可以提供高质量的核心信息。同时，整合多模态数据源，如大规模的“组学信息”，可以进一步增强模型的可解释性和预测准确性。

结论

AI技术与制药科学的结合开启了药物发现和开发的新时代。这些预测工具不仅加快了药物发现过程，提高了效率和成本效益，还致力于提高对患者的安全性和有效性。随着AI技术的不断发展，特别是在ADMET性质预测方面的应用，将为疾病治疗的未来发展带来令人兴奋的前景。

本文原文来自Robert Scoffin，由肖高铿编译。