第4章 ADMET描述符分类:吸收相关归纳总结
吸收这件事,说白了就是药物能不能从给药部位进到血液里。口服药占了大多数,所以肠道吸收一直是ADMET里最被关注的环节。我刚开始做ADMET预测时,经常把吸收和溶解度混为一谈,后来才明白两者是上下游关系——溶解度不行,吸收无从谈起;但溶解度够了,渗透性差也没用。这一章咱们就把吸收相关的描述符彻底理一理。
4.1 吸收过程的核心问题
药物从胃肠道进入体循环,要过三关:溶出、渗透、首过消除。溶出靠的是溶解度和溶出速率;渗透靠的是药物穿过肠壁细胞的能力;首过消除则涉及肠壁和肝脏的代谢酶、转运体。所以吸收描述符不能只看一个指标,得把这三关的度量工具都备齐。
我记得有个CNS项目的分子,水溶性测出来很不错,LogP也在2~3之间,结果口服生物利用度才5%。后来一查,它在Caco-2模型里渗透性极低,而且被P-gp外排得很厉害。嗯,吸收描述符之间不是孤立的,交叉验证非常必要。
4.2 主要吸收描述符一览
下面这张表是我在项目里最常检查的几个吸收相关描述符,大家可以直接当核对清单用。
| 描述符 | 含义 | 常用模型/方法 | 参考范围 | 应用场景 |
|---|---|---|---|---|
| Caco-2渗透性 (Papp) | 人结肠癌细胞模型,模拟肠壁被动渗透 | 体外Transwell实验 | ≥1×10-6 cm/s 为高渗透 | 口服候选物初筛 |
| MDCK渗透性 | 犬肾细胞模型,比Caco-2更快 | 体外单层渗透 | 类似Caco-2量级 | 高通量渗透筛选 |
| PAMPA | 人工膜模拟被动扩散,不含转运体 | 体外人工磷脂膜 | Pe > 1×10-6 cm/s | 排除主动转运干扰时 |
| 人肠道吸收率 (HIA%) | 口服后从肠道进入门静脉的血药比例 | 体内/临床估算 | >90% 良好吸收 | 最终临床风险评估 |
| 口服生物利用度 (F%) | 到达体循环的药量占比,含首过效应 | 动物/人体 PK 实验 | >30% 可接受(取决于治疗窗) | 成药性决策核心指标 |
| 水溶性 (Solubility) | 在pH 6.5(肠道环境)下的溶解度 | 摇瓶法、浊度法 | >60 μg/mL 通常可接受 | 溶出受限的预警 |
| LogD7.4 | pH 7.4下的亲脂性,反映膜穿透潜力 | HPLC、摇瓶法 | 1~3 最佳平衡区 | 渗透性与代谢倾向的权衡 |
个人小习惯:我一般在项目早期先看LogD和溶解度,因为它们决定能不能继续往下做渗透实验。LogD太低了(<0)膜通不过,太高(>5)又容易卡在细胞膜里出不来。Caco-2和MDCK的数据出来后,结合P-gp底物预测,基本能判断吸收风险。
4.3 各描述符在项目中的适配场景
道理讲完了,咱们看具体怎么用。这部分我按照项目阶段来排,你想想看自己项目里是不是也这样。
- 苗头化合物期:主要依赖计算预测(如ADMET Predictor、SwissADME)给LogD、溶解度、Caco-2分类(高/中/低)。我一般先跑一轮,砍掉预测Caco-2为低且溶解度也低的分子——这类分子后面大概率过不了。
- 先导优化期:开始测实测溶解度(pH 6.5)和PAMPA。PAMPA的好处是排除转运体干扰,能清晰看到被动渗透的本底。如果PAMPA不错但Caco-2很低,就提示可能有外排转运体参与,这时候加测双向转运实验(A-B vs B-A)。
- 候选确定期:必须上MDCK或Caco-2的单向渗透和双向实验,同时测大鼠PK得到口服F%。我曾经见过一个化合物,体外所有渗透指标都合格,结果大鼠F%只有12%。后来发现它在肠道里被CYP3A4大量代谢,首过效应吃掉了大部分。这个教训让我之后一定会检查肠壁代谢酶和CYP预测。
你看,不同阶段的描述符侧重不一样。记住一个原则:体外实验组合越丰富,预测体内吸收的准确度越高。
4.4 吸收预测的常见陷阱
我曾经吃过的大亏:有个项目Caco-2的Papp测出来是2.5×10-6 cm/s,属于高渗透。但我们忽略了供体侧pH的差异——Caco-2标准实验供体侧pH 6.5,而体内胃排空后肠腔pH变化很大。后来换用不同pH条件再测,发现pH 5.0时渗透降了一半。最终这个分子因为酸不稳定性没成药。
另外,别只看单一来源的LogD数据。不同实验室测的LogD可能差0.5个单位,这对吸收预测影响不小。我的做法是:如果实测LogD有两个以上不同来源,取中位数;如果只有预测值,先标“暂估”,等实测出来再更新。
还有一点:转运体底物识别不能光靠结构推断。我见过P-gp底物的预测模型准确率也就70%左右,实测还是金标准。如果你项目里分子带了芳香胺、叔胺结构,多留个心眼——这类结构容易成为P-gp或BCRP的底物。
4.5 知识体系图
下面这个SVG把吸收相关的描述符按“溶出-渗透-首过”三个环节做了归类,每个环节下面的描述符就是你需要关注的工具。我给项目组做培训时经常用这张图,新人一看就明白。
图中三个环节串联起来,最终的输出就是HIA%和F%。但注意,即使这三个环节都表现良好,临床上还可能因食物效应、制剂工艺、个体差异等影响吸收。这张图帮我们快速定位问题可能出在哪一段。
4.6 实战建议
我的推荐工作流:
- 先用计算工具扫一遍所有待选分子的LogD、溶解度分类、Caco-2分类,标记高风险分子。
- 对进入先导优化的分子,实测pH 6.5条件下的溶解度以及PAMPA通透性。
- 如果PAMPA渗透性高但计算Caco-2低,加测Caco-2双向实验,计算外排比(ER)。ER>2提示主动外排,需要额外优化结构。
- 在候选分子阶段,测大鼠口服PK得到实际F%,同时测肝微粒体代谢稳定性。
- 最后汇总所有数据,用下列Python片段快速生成吸收评估矩阵(只做示意,数据需要你自己补充):
# 快速吸收评估矩阵示例
def absorption_assessment(logd, solubility_ug_ml, caco2_papp, er):
score = 0
if 1 <= logd <= 3: score += 2
elif 0 <= logd < 1 or 3 < logd <= 5: score += 1
else: score += 0
if solubility_ug_ml >= 60: score += 2
elif solubility_ug_ml >= 10: score += 1
else: score += 0
if caco2_papp >= 1e-6: score += 2
else: score += 0
if er < 2: score += 2
else: score += 0
if score >= 6: return "吸收风险低"
elif score >= 4: return "中等风险,建议进一步验证"
else: return "高风险,考虑调整结构或给药途径"
这段代码是我早期项目里手工记笔记时写的,后来整理成了公司内部工具。你不用直接照搬,但可以理解它的逻辑:把关键描述符归一化打分,综合判断。实际项目里这些阈值要根据你的治疗领域微调(比如CNS药物对LogD的要求可能更低一些)。