返回成果与获奖
OUTPUT · BOOK CHAPTER

AI-Driven Prediction of Drug ADMET Properties

在审 AI-Driven Drug Design · Springer Nature
第一作者 / 主要撰写 专著章节

内容简介

化学 ADMET(吸收、分布、代谢、排泄与毒性)性质在药物发现与开发中发挥着关键作用。 然而,通过湿实验测定 ADMET 性质耗时、费力且成本高昂。 人工智能(AI)技术的兴起为克服这些挑战提供了新途径—— 基于 AI 的 ADMET 预测方法具有速度快、精度高、效率高且资源消耗低的特点。 本文探讨了 AI 在 ADMET 预测中的近期应用, 涵盖分子表征方法、模型架构、可解释性方法与分子性质优化, 并介绍了在线数据库与预测 / 优化平台。 最后,我们重点分析了 AI 在 ADMET 预测中面临的挑战,并提出该领域潜在的未来发展方向。

章节框架

AI 驱动的药物 ADMET 性质预测 · 章节框架 CHAPTER OVERVIEW
ADMET 性质预测的章节组织框架 左侧为背景:湿实验测定 ADMET 性质耗时费力成本高,AI 预测具有速度快、精度高、资源消耗低的特点。中部为四个主体板块:分子表征方法、模型架构、可解释性与可说明性、分子性质优化。右侧为在线数据库与预测优化平台,以及挑战与未来方向。 背景与动机 湿实验测定 ADMET 耗时 · 费力 · 成本高 难以满足筛选需求 AI 预测方法 速度 · 精度 · 效率 资源消耗低 ADMET 性质深刻影响 药物安全性与有效性 (吸收 · 分布 · 代谢 · 排泄 · 毒性) 近期进展 · 四个板块 分子表征方法 手工特征 · 序列表征 · 图表征等新兴方法 模型架构 经典机器学习 · 深度学习与训练策略 可解释性与可说明性 归因与解释方法 分子性质优化 从预测到设计的延伸 聚焦 2022 年及以后的研究 资源与展望 在线数据库 实验数据资源 预测 / 优化平台 在线工具与部署 关键挑战 数据 · 泛化 · 集成 未来发展方向
依据章节结构绘制。以湿实验瓶颈与 AI 预测优势为背景,主体从分子表征、模型架构、可解释性到分子性质优化依次展开,并介绍在线数据库与预测 / 优化平台,最后讨论挑战与未来方向。

作者

Yang C, Duan H, Fang J, Li W, Liu G, Tang Y.

出版说明

章节目前在审,尚未正式出版,出版信息以最终成书为准。