📚 课程目录第3章常用ADMET预测工具

3. 常用ADMET预测工具实战：SwissADME、ADMETLab、admetSAR

说到ADMET预测工具，市面上的选择确实不少。但我个人最常用的，就是这三把“瑞士军刀”：SwissADME、ADMETLab 和 admetSAR。每个都有自己的脾气，用对了能省不少事。

我刚开始做ADMET预测那会儿，恨不得把所有工具都试一遍。结果发现，有些工具预测结果差别很大，搞得我很懵。后来慢慢摸清了它们的套路，才知道每个工具的“舒适区”在哪。

3.1 SwissADME：快速筛查利器

SwissADME，说白了就是一个基于Web的预测平台。它的特点是轻量、快速、免费。

访问地址： 直接搜 SwissADME 就能找到，不用翻墙。

输入方式： 支持SMILES、分子结构文件或者直接画分子。我个人习惯用SMILES，因为批量处理方便。

# 一个简单的SMILES示例
CCO
# 表示乙醇，你输入这个就能得到一堆参数

输出内容： 主要包括脂溶性（logP）、水溶性、药代动力学（如P-gp底物）和药物相似性。它给每一类都做了“类”的预测，比如“高”或“低”。

小技巧： 用SwissADME预测BBB（血脑屏障）穿透时，它的准确率在同类工具里算不错的。我在项目里用它对候选分子做第一轮筛选，效率很高。

3.2 ADMETLab：参数最全的选择

ADMETLab 是由上海药物研究所开发的平台。它的特点是参数多、预测范围广，几乎覆盖了所有常见的ADMET端点。

访问方式： 有Web版，也有Python API。我建议你直接用API，尤其是批量预测时。

# Python调用ADMETLab API的简化示例
import requests

url = "https://admetlab.scbdd.com/..."
smiles = "CCO"
response = requests.post(url, data={"smiles": smiles})
result = response.json()
print(result)

关键参数说明： ADMETLab 的输出结果里，有“值”和“分类”两列。比如Caco-2渗透性，它会同时给出数值和“低/中/高”的定性结果。

端点	输出	意义
Caco-2 渗透性	-8.0 ∼ -4.0 log cm/s	数值越大，口服吸收越好
P-gp 底物	是/否	影响药物在体内的分布和代谢
hERG 阻滞	高/中/低风险	预测心脏毒性风险

注意： ADMETLab 的参数很多，但不是每个都准确。我曾经用它预测一个化合物的hERG风险，结果显示“低风险”。但后续实验发现它确实有轻微的hERG作用。所以，你得结合实验数据来看，别全信。

3.3 admetSAR：结构与活性关系模型

admetSAR 是一个基于结构-活性关系（SAR）模型构建的工具。它的强项是分类预测，尤其擅长判断“是/否”类的问题。

访问方式： 完全在线，不用装任何东西。输入SMILES，点一下就跑。

输出特点： 它对每个端点都给出一个概率值。比如“是否Ames致突变性”，它会告诉你“是”的概率是0.85。

# admetSAR 输入示例（通过Web界面，非API）
SMILES: CCO
端点选择：Ames致突变性、致癌性、口服生物利用度
输出结果：...

  核心建议： SwissADME 做快速筛查，ADMETLab 做全面评估，admetSAR 做分类判断。我做项目时，通常先用 SwissADME 筛掉明显不合格的，再用 ADMETLab 深入分析，最后用 admetSAR 确认关键分类端点。

3.4 三款工具对比

工具	主要特点	适用场景	数据来源
SwissADME	快速、轻量、Web界面友好	第一轮筛选、快速评估	公开文献+数据库
ADMETLab	参数全面、API支持	多端点综合评估、批量预测	文献+实验数据
admetSAR	分类预测准确、概率输出	毒性、致癌性等二分类问题	CHemBL + 相关数据库

你想想看，一个化合物在不同工具下得到的结果可能不一样。这时候就得靠经验来判断了。我的做法是：看它们的一致性。如果SwissADME和ADMETLab都说好，那基本没问题。如果只有一个说好，另一个说坏，那就要小心了。

  实战经验： 在项目中，我遇到过SwissADME预测logP为2.8，而ADMETLab给出3.1。差别不大，但影响了后续的制剂决策。后来我发现，SwissADME的logP算法偏向水溶性，ADMETLab则更平衡。所以，对于水溶性问题，我倾向于信SwissADME多一点。

3.5 工具使用流程图

前面说了这么多，我画个流程图，帮你理清思路。这个图展示了我推荐的三步走策略：先用SwissADME筛选，再用ADMETLab细化，最后用admetSAR收尾。

温馨提示： 这个流程图看着简单，但做起来要细心。每一步都要记录中间结果。万一最后实验和预测对不上，回头查的时候才方便。我个人会建一个小型数据库，把每次预测的SMILES、结果、工具名字和版本都存起来。

3.6 常见问题与避坑指南

使用这些工具时，有几个坑我遇到过，给大家提个醒：

SMILES 格式要规范： 不同工具对SMILES的容忍度不同。有些工具不认带有电荷的SMILES，或者对立体异构体处理不好。
批量预测别贪心： 我曾经一次性提交了上千个分子给ADMETLab，结果接口超时了。后来学乖了，每次只提交100-200个。
结果别全信： 这些都是预测模型，不是万能的。特别是对于新化学空间里的分子，准确率可能会下降。

避坑指南： 我还记得有一次用admetSAR预测一个含氟化合物的毒性，结果说“是高风险”。后来查文献才知道，含氟化合物在那个模型里是训练盲区。从那以后，我会先检查每个工具的训练集覆盖范围，再决定结果的可信度。

好了，这一章就到这里。记住这三把工具，把它们用熟了，ADMET预测就算入门了。以后遇到新化合物，心里就有底了。