anpdb-admet-ai

ANPDB + ADMET-AI 数据集整合了来自非洲天然产物数据库（ANPDB）的天然产物分子，并利用 ADMET-AI 预测了这些分子的药代动力学、毒性和类药性属性。该数据集专为虚拟筛选、化学信息学以及分子属性预测（如QSAR）等药物发现任务设计。ADMET-AI 使用基于 Chemprop 的模型，该模型在 TDC ADMET 基准数据集上进行了训练。数据集的原始分子结构来源于 ANPDB，预测属性则通过 ADMET-AI 工具计算获得。The ANPDB + ADMET-AI dataset integrates natural product molecules from the African Natural Products Database (ANPDB) and uses ADMET-AI to predict pharmacokinetic, toxicity, and drug-like properties of these molecules. The dataset is designed for drug discovery tasks such as virtual screening, cheminformatics, and molecular property prediction (e.g., QSAR). ADMET-AI uses a Chemprop-based model trained on the TDC ADMET benchmark dataset. The original molecular structures originate from ANPDB, and the predicted properties are computed via the ADMET-AI tool.

原始信息汇总

ANPDB + ADMET-AI 数据集概述

基本信息

• 数据集名称：ANPDB + ADMET-AI
• 内容主题：非洲天然产物及其预测的ADMET（吸收、分布、代谢、排泄和毒性）性质
• 数据来源：非洲天然产物数据库（ANPDB），原始数据来自于 https://african-compounds.org/anpdb/
• 预测工具：ADMET-AI（基于Chemprop模型，训练于TDC ADMET数据集），代码见 https://github.com/swansonk14/admet_ai

核心用途

该数据集整合了非洲天然产物的化学结构及其ADMET-AI预测的药代动力学、毒性和类药性性质，主要面向以下应用场景：

• 虚拟筛选：用于药物发现中的候选分子筛选
• 化学信息学：支持分子属性预测和QSAR建模
• 分子性质预测：提供预测的ADMET相关属性数据

数据特点

• 领域专属性：聚焦于非洲天然产物，具有地域和化学多样性特征
• 增强信息：在原始ANPDB数据基础上，增加了ADMET-AI预测的多种药代和毒性参数
• 多标签：包含药代动力学、毒性、类药性等多维度预测结果

相关文献

• ANPDB数据库论文：https://doi.org/10.1093/nar/gkaf1186
• ADMET-AI工具：https://github.com/swansonk14/admet_ai

搜集汇总

数据集介绍

构建方式

该数据集融合了非洲天然产物数据库（ANPDB）与ADMET-AI预测工具，构建了一个面向虚拟筛选和化学信息学研究的综合资源。构建过程首先从ANPDB中系统收集非洲来源的天然产物分子结构，随后利用ADMET-AI平台，基于Chemprop模型（在TDC ADMET数据集上训练）对每个分子进行药代动力学、毒性及类药性等多维属性预测，最终形成包含原始结构与预测性质的高质量注释数据集。

特点

该数据集的核心特色在于其地域专属性与预测属性的深度结合。它不仅汇聚了非洲天然产物的独特化学多样性，还通过先进的机器学习模型为每个化合物补充了全面的ADMET（吸收、分布、代谢、排泄、毒性）参数，极大拓展了数据的适用性。此外，数据集遵循标准化格式，便于集成到现有的药物发现流程中，为高通量虚拟筛选提供了可靠的数据基础。

使用方法

使用者可便捷地将此数据集作为虚拟筛选的起始点，通过加载SMILES结构或直接读取预计算的ADMET属性，快速评估候选化合物的成药潜力。该数据集兼容主流化学信息学工具（如RDKit、Chemprop），支持在Python环境中进行结构-性质关系分析、药效团建模或机器学习模型训练。其公开性保证了可重复性，使得研究团队能够无缝对接高通量筛选或先导化合物优化环节。

背景与挑战

背景概述

该数据集由非洲天然产物数据库（ANPDB）与ADMET-AI预测工具联合构建，于2024年发布，主要研究团队来自非洲与全球药物发现领域。ANPDB汇集了非洲大陆丰富的天然产物资源，而ADMET-AI基于Chemprop模型在TDC ADMET数据集上训练，能够高效预测化合物的药代动力学、毒性及类药性。这一数据集的诞生，为虚拟筛选与化学信息学研究提供了关键资源，填补了非洲天然产物在ADMET属性预测方面的空白，推动了基于非洲生物多样性的药物发现进程，并对全球天然产物研究产生了深远影响。

当前挑战

当前挑战主要集中于两方面：其一，领域内天然产物数据库普遍缺乏系统的ADMET属性标注，导致虚拟筛选时难以评估候选药物的成药性，本数据集通过集成预测模型，有效解决了数据稀疏性问题；其二，构建过程中面临数据整合与质量控制的难题，包括ANPDB原始数据的异构性、分子结构标准化、预测模型的适用性验证等，需确保跨数据集兼容性与预测结果的可靠性，这些挑战对数据集的完整性与实用性提出了严苛要求。

常用场景

经典使用场景

该数据集融合了非洲天然产物数据库（ANPDB）的化合物结构信息与ADMET-AI预测的药代动力学及毒性属性，为药物发现领域的虚拟筛选提供了丰富的数据基础。其经典使用场景聚焦于高通量筛选候选药物分子，通过机器学习模型快速评估化合物的吸收、分布、代谢、排泄和毒性特征，从而优选出具有开发潜力的先导化合物。研究者常利用该数据集进行分子性质预测模型的训练与验证，或构建针对特定靶点的化合物活性-性质联合分析，以加速从天然产物到候选药物的转化进程。

衍生相关工作

该数据集的衍生工作涵盖了多个前沿方向。基于其ADMET预测值，研究者可开发针对非洲天然产物的特异性药效团模型或分子生成模型，用于设计具有优化性质的新型类似物。同时，结合分子对接和分子动力学模拟，可进一步探究这些化合物的靶点结合模式和机制。此外，该数据集亦可作为基准数据集，用于对比不同机器学习方法（如图神经网络、Transformer）在ADMET预测中的表现，推动计算毒理学和药代动力学建模的进步。相关衍生研究还包括构建非洲天然产物-药物-靶点网络，以发现潜在的药物重定位机会。

数据集最近研究

最新研究方向

该数据集结合了非洲天然产物库（ANPDB）与ADMET-AI预测平台，为药物发现领域的前沿虚拟筛选研究提供了全新的资源。其核心方向聚焦于利用机器学习模型（如Chemprop）预测天然产物的药代动力学、毒理学及类药性属性，以加速从非洲特有植物中识别候选药物。这一研究潮流与全球对生物多样性来源的先导化合物需求、以及AI驱动的高通量筛选技术密切相关。该数据集的发布填补了非洲天然产物在ADMET性质预测上的空白，促进了对未充分开发地区药用资源的系统性探索，同时为QSAR建模和分子性质预测提供了标准化训练数据，对在药物发现中实现可持续性和精准医疗具有重要推动意义。