ADMET预测：AI辅助下质效齐升从传统实验到智能预测的跨越 什么是ADMET？即吸收(Absorption)、分布(Distribution)、代谢(Metabolism)、排泄(Excretion)、毒性(Toxicity)，是决定药物能否成功成药的“五大门槛”。 传统研发痛点：依赖动物实验与细胞模型（如Caco-2），单次测试耗时数月，成本高昂且通量低，导致大量候选药物在后期因ADMET性质不佳而失败。 AI的破局之道：通过机器学习与深度学习模型，基于海量数据快速预测分子的ADMET性质，实现早期“虚拟筛选”，大幅提升药物研发的成功率与效率。AI在ADMET的作用ADMET 维度AI 核心作用传统实验痛点ADMET1. GNN / 多任务模型预测 Caco-2 肠道渗透率、P-gp 底物、口服生物利用度；2. 提前剔除吸收差分子，避免后期临床前失败细胞渗透实验周期≥2 个月、通量极低、成本高1. 预测血浆蛋白结合率、血脑屏障穿透、组织分布容积 Vd；2. 结合 PBPK 生理药代模型模拟体内组织富集动物组织分布实验耗费大量实验动物，周期长1. 预测 CYP450 各亚型抑制 / 诱导、代谢产物位点；2. 识别易产生毒性代谢物的骨架，指导分子改造 体外肝微粒体实验筛选通量有限，无法覆盖海量分子库1. 预测肝肾清除率、半衰期、尿液 / 粪便排泄比例；2. 筛选长效 / 快速清除差异化候选分子体内排泄动物实验成本高，难以早期迭代分子结构1. 提前预判 hERG 心脏毒性、肝毒性、遗传毒性、致癌性；2. 大模型挖掘分子毒性机制，降低临床退市风险动物毒理实验是研发最高成本环节之一，大量候选临床期折戟资料来源：Niu, Z., Xiao, X., Wu, W. et al. PharmaBench: Enhancing ADMET benchmarks with large language models. Sci Data 11, 985 (2024).；康昱盛携手德睿智药，共同加速AI智能化ADME/T平台赋能新药研发；【康昱盛 x 德睿智药联合 Webinar】助力新药研发：探索AI驱动的 ADMET Ranker™ 平台；Deng Y, Zhao X, Sun H, Chen Y, Wang X, Xue X, Li L, Song J, Hsieh CY, Hou T, Pan X, Alomar TS, Ji X, Wang X. RSGPT: a generative transformer model for retrosynthesis planning pre-trained on ten billion datapoints. Nat Commun. 2025 Jul 31;16(1):7012.；Deng, Y., Zhao, X., Sun, H. et al. RSGPT: a generative transformer model for retrosynthesis planning pre-trained on ten billion datapoints. Nat Commun 16, 7012 (2025).西南证券整理16
