碘海醇结构的小分子渗透性预测评价数据

本数据的核心应用在于加速新型造影剂及类似大分子量、多羟基分子的生物利用度与跨膜运输研究。
企业内部应用：因造影剂通常具有较大的分子量和较高的极性，其细胞膜渗透性往往是限制其口服吸收或组织分布的关键瓶颈。在药物发现的早期阶段，研发团队可利用此数据训练的深度学习模型，对海量虚拟候选化合物进行高通量虚拟筛选（HTVS），在无需进行繁琐的体外 Caco-2 细胞实验的前提下，快速预测其表观渗透系数（Papp）。这能有效剔除透膜性极差的分子，集中资源优化具有适当生物膜透过性的高潜力候选物，从而显著缩短新型造影剂的药代动力学（PK）优化周期并降低临床前开发风险。此外，它还可用于指导已有先导化合物的亲脂性修饰，以数据驱动的方式定向平衡其水溶性与渗透性。
外部及行业应用：本数据集可作为化学信息学领域针对“类药性边界分子”的专业基准，用于开发和验证针对大极性表面积（TPSA）分子的新预测算法。同时，训练好的模型可以作为 ADMET 评估工具，授权给其他医学影像或生物材料企业，帮助其建立快速、高精度的分子生物药剂学评估能力，推动整个造影剂行业的数字化研发进程。

搜集汇总

背景与挑战

背景概述

该数据集围绕碘海醇结构的小分子渗透性预测评价构建，旨在通过分析小分子化学结构与渗透性的关系，为药物研发提供数据支持。其关键特点包括聚焦碘海醇类化合物的渗透性评估，以及利用预测模型辅助筛选高渗透性候选分子，从而提升新药开发的效率与准确性。