ADMET datasets

ADMET数据集用于训练Chemprop模型，这些模型用于预测新分子的ADMET属性。

The ADMET dataset is utilized for training Chemprop models, which are employed to predict the ADMET properties of novel molecules.

原始信息汇总

数据集概述

ADMET-AI是一个ADMET预测平台，使用基于Chemprop-RDKit的模型，这些模型是针对来自Therapeutics Data Commons (TDC)的ADMET数据集进行训练的。该平台可用于对新分子进行ADMET预测，支持通过命令行、Python API或Web服务器进行操作。

安装

ADMET-AI支持多种安装方式：

• 通过pip安装，支持GPU和CPU运行。
• 通过克隆仓库并本地安装。
• 可选的conda环境创建。

预测ADMET属性

ADMET-AI提供三种预测方式：

1. 命令行工具：使用admet_predict命令进行预测。
2. Python模块：通过admet_ai模块的predict函数进行预测。
3. Web服务器：通过运行admet_web命令并访问本地服务器进行预测。

分析图表

ADMET-AI网站上展示的DrugBank参考图和径向图可以通过本地脚本scripts/plot_drugbank_reference.py和scripts/plot_radial_summaries.py生成，这些脚本需要输入包含ADMET-AI预测结果的CSV文件及其他参数。

搜集汇总

数据集介绍

构建方式

ADMET数据集的构建依托于Therapeutics Data Commons（TDC）平台，通过整合来自不同来源的药物代谢和毒性（ADMET）相关数据，形成了一个全面且多样化的数据资源。该数据集利用Chemprop-RDKit模型进行训练，确保了数据的高质量和预测的准确性。

特点

ADMET数据集的显著特点在于其涵盖了广泛的药物代谢和毒性属性，包括吸收、分布、代谢、排泄和毒性等多个方面。此外，数据集的多样性和大规模特性使其适用于大规模化学库的评估，为药物发现和开发提供了强有力的支持。

使用方法

ADMET数据集可以通过多种方式进行使用，包括命令行工具、Python模块和Web服务器。用户可以通过命令行输入SMILES字符串进行预测，或使用Python API进行编程调用。此外，ADMET-AI还提供了一个在线Web服务器，用户可以通过浏览器直接访问并进行预测。

背景与挑战

背景概述

ADMET数据集是由Therapeutics Data Commons（TDC）提供的一组用于药物吸收、分布、代谢、排泄和毒性（ADMET）预测的数据集。该数据集的核心研究问题在于通过机器学习模型，特别是基于Chemprop-RDKit的模型，对大规模化学库进行ADMET性质的预测。ADMET-AI平台利用这些数据集进行训练，旨在为新分子提供ADMET预测服务，支持命令行、Python API和Web服务器等多种使用方式。该数据集的创建和应用对药物研发领域具有重要影响，特别是在加速药物筛选和优化过程中。

当前挑战

ADMET数据集面临的挑战主要集中在数据质量和模型的泛化能力上。首先，ADMET性质的预测依赖于高质量的化学数据，而数据的多样性和准确性直接影响模型的性能。其次，构建过程中需要处理大量化学结构和复杂的生物学数据，这对数据预处理和特征提取提出了高要求。此外，模型的泛化能力也是一个关键挑战，尤其是在处理未见过的分子时，如何确保预测的准确性和可靠性是当前研究的重点。

常用场景

经典使用场景

ADMET数据集在药物研发领域中扮演着至关重要的角色，尤其是在预测药物分子的吸收、分布、代谢、排泄和毒性（ADMET）特性方面。该数据集通过整合来自Therapeutics Data Commons（TDC）的ADMET数据，为研究人员提供了一个强大的工具，用于训练和验证基于机器学习的预测模型。这些模型可以广泛应用于新药分子的筛选和优化，帮助研究人员快速评估候选药物的生物活性及潜在毒性，从而加速药物研发进程。

实际应用

在实际应用中，ADMET数据集被广泛用于制药行业的药物筛选和优化流程。通过ADMET-AI平台，研究人员可以快速对大规模化学库进行ADMET特性预测，从而筛选出具有潜在药效的分子。此外，该数据集还被应用于个性化医疗领域，帮助设计针对特定患者群体的药物，优化药物剂量和给药方案，提升治疗效果并降低副作用。

衍生相关工作

ADMET数据集的发布催生了一系列相关研究工作，特别是在药物设计与预测模型的优化方面。许多研究者基于该数据集开发了新的机器学习算法，提升了ADMET特性的预测精度。此外，ADMET-AI平台的成功应用也启发了其他领域的类似平台开发，如环境化学中的毒性预测和农业化学中的农药筛选。这些衍生工作进一步拓展了ADMET数据集的应用范围，推动了跨学科研究的发展。