钆特醇结构的小分子渗透性预测评价数据

造影剂因分子量大（通常500～1500 g/mol）、极性表面积高（TPSA普遍超过140 Ų），整体理化性质远超传统Lipinski五规则适用范围，通用ADMET预测工具对此类分子的渗透性预测精度严重不足。细胞膜渗透性是限制造影剂口服吸收及组织分布的关键瓶颈，然而现有公开Caco-2渗透性数据库对造影剂母核结构及其药典法定杂质的覆盖极为有限，导致研发团队在早期筛选阶段只能依赖耗时耗力的体外Caco-2细胞实验逐一评估。本数据集以公开Caco-2渗透性数据集（caco2_wang.csv）为基础，专项补充纳入钆特醇母核原料药及主要国家药典收载的法定杂质渗透性数据，构建面向该特定化学空间的专属训练数据集，训练图卷积神经网络（GCN）预测模型，实现对钆特醇结构域内候选分子渗透性的高精度预测。预测评价数据可直接用于候选化合物虚拟筛选与结构优化、合成杂质渗透性风险评估及新药申报辅助支撑，填补现有通用数据集在造影剂专属结构域的预测空白，相关模型及数据亦可授权给其他医学影像或生物材料企业。

搜集汇总

背景与挑战

背景概述

该数据集聚焦于钆特醇结构的小分子渗透性预测评价，可能包含分子结构、理化性质及生物膜渗透性相关数据，适用于药物研发中化合物吸收特性的评估与建模。数据集旨在支持基于结构-活性关系的小分子渗透性预测分析。