候选筛选需要同时考虑多种药物性质
2024 年 6 月 24 日，Bioinformatics 发表了斯坦福大学与 Greenstone Biosciences 等团队关于 ADMET-AI 的研究。平台面向大规模候选分子的药物性质评价，提供网页界面与本地软件形式，帮助研究者根据预测结果选择后续实验的候选分子。
ADMET 指吸收、分布、代谢、排泄和毒性（absorption, distribution, metabolism, excretion and toxicity）。这些性质影响候选分子在体内的暴露和安全性。
41 个数据集构成不同类型的预测任务
论文使用 Therapeutics Data Commons（TDC）的 41 个 ADMET 数据集，其中 10 个为回归任务、31 个为分类任务。回归输出是带单位的连续数值；分类输出表示分子具有相应属性的预测概率，两类结果的含义和评价指标不同。
其中 22 个数据集进入 TDC ADMET 基准比较，包括 9 个回归任务和 13 个分类任务。公开排名针对其中具有共同评价条件的 22 项任务。
图网络与分子描述符共同参与预测
ADMET-AI 采用 Chemprop-RDKit 模型，把分子的原子和键表示输入图神经网络，再结合 RDKit 计算的 200 个理化描述特征。模型由此同时利用分子结构中的关系和预先计算的性质信息，输出一个或多个 ADMET 指标。
作者分别训练单任务模型，并把回归和分类任务各整合为一个多任务模型。多任务形式以 2 组模型覆盖全部 41 项性质，减少逐项调用的开销；实际预测还采用模型集成，汇总不同数据划分下训练模型的结果。
22 项基准排名与分类、回归指标
在论文当时纳入 TDC ADMET 基准比较的 22 项任务中，ADMET-AI 的平均排名第一。
论文进一步报告，单任务模型在 10 个回归任务中的 5 个达到决定系数 R² 大于 0.6，在 31 个分类任务中的 20 个达到受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUROC）大于 0.85。多任务模型总体表现接近。
获批药物参照帮助解释预测值
为使单个预测值更容易理解，团队从 DrugBank 整理 2579 个已获得监管批准的药物作为参照集合，并用同一多任务模型预测它们的 ADMET 性质。查询分子的百分位由它在这些预测值中的位置计算。
平台还允许按解剖学—治疗学—化学分类系统（Anatomical Therapeutic Chemical，ATC）选择药物类别，并计算查询分子在该类别参照药物中的百分位。
网页展示预测值、参照百分位与性质比较
论文所述网页可接受分子结构字符串或文件输入，在同一批次中处理多个分子。概要图展示 hERG、血脑屏障通透性、溶解度、口服生物利用度等项目；表格则保留全部预测值、相应单位及参照百分位，便于进一步比较。
平台另以散点图比较用户选择的 2 项性质，并叠加参照集合。研究者可以查看候选之间是否存在药物暴露与毒性相关指标的权衡。论文所述网页每批可输入最多 1000 个分子，页面展示前 25 个分子的结果，完整结果可下载为 CSV 文件。
100 万次预测的本地测速与网页外推
作者比较了当时 6 个其他公开 ADMET 网页工具，在多个批量规模下记录 3 次测试的中位用时。预测 1000 个分子时，ADMET-AI 比其中次快的网页工具快约 45%。部分工具限制单次输入数量，其较大批次用时由较小批次倍乘估算。
本地速度测试把 1000 个 DrugBank 分子重复 1000 次，形成 100 万次预测输入。论文所用 32 个 CPU 核心加 GPU 条件约用 3.1 小时；只用 8 个 CPU 核心、无 GPU 的配置约用 5 小时。网页对应约 28.1 小时的结果由允许批次用时外推。
本地批量计算与后续实验选择
网页适合交互查看候选分子，本地版本可纳入大规模计算流程，数据无需上传到公共服务器。
论文以开放软件、数据和模型资源支持使用与后续研究，预测结果用于筛选值得进一步实验的候选分子。