先预测 ADMET 性质，再判断心脏毒性关注级别
药物引起的心脏损伤可能涉及心律失常，也可能涉及心肌病等不同过程。美国研究团队在 Circulation 报道一项计算研究，尝试把药物的吸收、分布、代谢、排泄与毒性（absorption, distribution, metabolism, excretion and toxicity，ADMET）预测结合起来，判断药物在既有资料中的心脏毒性关注级别。
流程分为两步。ADMET-AI 首先根据分子结构给出 41 项性质预测；随后，极端梯度提升（Extreme Gradient Boosting，XGB）分类模型使用这些预测值，输出药物属于心脏毒性高关注类别的概率。
训练资料取自 DICTrank，共 555 种药物。其中 293 种归为心脏毒性“最需关注”类别，262 种归为“无需关注”类别，涉及 β 受体阻断剂、抗心律失常药、钙通道阻断剂、他汀类及钠—葡萄糖共转运蛋白 2（sodium-glucose cotransporter 2，SGLT2）抑制剂等。
按分子骨架划分训练与测试药物
研究按分子骨架划分药物，使模型在一些骨架上训练，再对其他骨架的药物做预测。论文报告各轮使用 80% 的药物训练、20% 测试，并对 10 轮测试结果取平均。
采用 ADMET-AI 特征的模型，平均受试者工作特征曲线下面积（ROC-AUC）为 0.72，精确率—召回率曲线下面积（PR-AUC）为 0.75。换用 SwissADME 的性质预测、仍使用 XGB 分类时，两项指标分别为 0.67 和 0.69。
这一比较把分类器保持为 XGB，改变用于训练的性质预测。作者认为，ADMET-AI 提供更全面的性质信息，是性能差异的可能原因。
特征贡献分析解释分类结果
团队使用 Shapley 值分析各项预测特征对模型结果的贡献。细胞色素 P450 2D6（cytochrome P450 2D6，CYP2D6）的底物与抑制作用预测、Nrf2（nuclear factor erythroid 2-related factor 2）抗氧化反应元件相关预测、芳香化酶相关预测，位于与高关注分类联系较强的特征之列。
随后，研究选取贡献较大的 4 项特征做 t 分布随机邻域嵌入（t-distributed stochastic neighbor embedding，t-SNE）可视化，并用雷达图比较不同类别的代表药物。图中分别展示无需关注、最需关注及因心脏不良反应撤市的药物，用于观察它们在这些性质预测上的差别。
性能评估基于既有药物资料
该研究的分类目标是 DICTrank 中的关注级别，输入则是 ADMET-AI 预测的性质。研究使用现有数据开展计算分析，没有新增人体或动物实验；作者将模型的适用范围与底层数据集联系起来。
团队已在 ADMEThyst 代码仓库公开数据与相关材料。作者提出，这类流程也可用于探索其他心血管药物研发性质的预测。