# Inno-ADMET

# 1. Inno-ADMET 概述

ADMET 模块主要用于系统的评价药物的吸收、分布、代谢、排泄和毒性性质，也包括一些理化性质和药物化学性质。众多研究表明早期的 ADMET 性质评价可显著地提高药物研发的成功率。针对不同的需求，系统提供了两个不同的模型来计算成药性性质，分别为基于预训练的 MERT 模型和基于 GNN 子结构可解释性的 MGA 模型。基于自主收集的高质量数据，这两个模型均可实现 17 种物化性质、5 种药物化学性质、6 种类药性规则、33 种 ADME 性质、26 种毒性性质的系统性评价。从模型评估指标的角度来说，MERT 模型更为优秀，根据模型能否提供子结构对预测结果的影响上判断，MGA 模型更具优势，用户可根据自己的需要去选择相应的计算模型。

# 2. 使用说明

用户只需要四个步骤就可以完成计算：选择方法(默认选择 MERT)-确定输入方式-任务命名(可忽略)-提交任务(必点)。

图 1. 创建 Inno-ADMET 任务页面

# (1) 选择方法

- MERT(Pre-train)：基于预训练的模型，模型的精度更高，预测能力更好，且速度快，计算一个分子只需 2.35ms；

- MGA(Interpretability)：基于 GNN 子结构可解释性的 MGA 模型，模型预测效果不如 MERT(Pre-train)，但该方法能够有效的计算子结构对预测结果的贡献度，有助于挖掘构效关系，在一定程度上可以指导结构优化。选择 MGA 进行计算时，有一个子结构可解释性的开关，由用户决定是否计算子结构可解释性。如打开该开关，系统将会计算子结构对属性的影响，但同时也会增加计算时间。

# (2) 输入方式

平台提供了四种数据输入方式：输入 SMILES、绘制分子、上传文件和数据中心。

# - 输入 SMILES

复选框选中“输入 SMILES”，在文本框中输入一个或多个 SMILES 表达式(用换行的方式输入多个 SMILES)，该文本框中最多可输入 500 个 SMILES(超出上限可通过上传文件的形式提交任务)。

# - 绘制分子

复选框选中“绘制分子”，点击打开分子编辑器进行分子绘制，画好以后点击右下角的“确认”即可。该模式下只支持画一个分子。

# - 上传文件

复选框选中“上传文件”，通过点击下方按钮选择本地文件即可。选择完文件以后，右边将显示文件内容。 关于上传的文件：

• 当前支持的文件格式: .sdf/.csv；

• 文件大小不超过 10MB。

# - 数据中心

复选框选中“数据中心”，通过点击下方按钮页面出现弹窗，点击文件名称来选择数据中心的数据。

# (3) 运行进度和结果查看

提交任务后，页面会自动跳入当前页面的“结果查看”子页面中，您可以在该页面查看当前模块的任务运行状态(进度条)，也可在右上角的“通知”下拉框中查看所有模块正在运行的任务。当数据量较大时，系统会分批计算，因此只要有一批数据算完后(整个任务还在运行中)，即可点击“结果详情”按钮进入结果页面，查看当前已完成计算的预测结果列表(未完成计算的分子暂不显示)，并且可以在当前页面通过刷新来获取最新算完的数据。

图 2. 查看结果

# 3. 结果分析

结果页面默认状态下展示的是表格形式(还可以切换为网格形式)，此时您可以查看预测的所有性质，并对这些性质进行排序、筛选；同时为了方便用户直观的分析数据，我们给预测结果分配了一个颜色。

图 3. 结果页面功能分布

# (1) 有效结果

有效结果格式为 当前表格显示的分子数/上传分子数。

# (2) 属性

显示计算的属性总数，即87种。

# (3) 图例

由于不同的性质有不同的建议取值区间，因此我们通过颜色对预测结果做了直观的评估。颜色设置的规则如下：

# - 针对预测结果为 0-1 之间的性质：

• P≤0.5，数值的底色为绿色，代表预测的化合物不属于该类别的化合物；

• 0.5<P<0.7，数值的底色为黄色，代表预测化合物有可能属于该类化合物；

• P≥0.7，数值的底色为红色，代表预测的化合物很有可能属于该类化合物。

# - 针对有最优区间的性质，如：

• Fsp3 的最优取值为 Fsp3≥0.42，定义两个颜色，符合该阈值的为绿色，不符合的为红色；

• Log S 的最优区间为-4~0.5，定义两个颜色，在区间内的为绿色，超出区间的为红色；

• QED 的取值有三种定义:Attractive: > 0.67; unattractive: 0.49-0.67; too complex: < 0.34，按照该定义分配红绿黄的颜色即可。

通过以上颜色区分，您可以更直观的了解分子的整体评价结果。绿色背景越多，说明分子的 ADMET 性质越好，反之亦然。

# (4) 保存/下载

点击保存/下载，系统将弹出下拉框让您选择保存/下载的文件格式(目前仅支持.csv/.sdf)。确定好保存/下载的文件格式后，需要选择保存/下载的行和列。保存/下载范围包括勾选的行--即表格首列的方框勾选分子；筛选后的行--即通过高级筛选得到的分子；所有行--即所有的分子；当前显示的列--即当前显示在页面上的列；所有列--即包括显示和未显示的所有列。系统将根据您的设置，保存相应的数据至数据中心，或下载数据至本地。

# (5) 高级筛选

选择关注的属性进行筛选，可添加多个筛选条件进行组合筛选。

# (6) 显示/隐藏列

显示/隐藏 ADMET 计算列，可对计算出的 ADMET 性质进行显示/隐藏；

显示/隐藏用户上传列，可显示/隐藏用户上传文件中原来就包含的列。

# (7) 属性解释、排序

把鼠标移入每个性质的名称上，可查看该属性对应的解释；

点击性质的名称可重新排序，点击一次为升序，再点一次为降序，再点一次即恢复原始排序。

# (8) 单个分子详情页

当您想查看某一个分子的所有性质时，可将鼠标移入表格区，通过点击浮现的详情按钮，即可进入分子详情页。MGA 模型相较于 MERT 模型多了子结构属性，如图 4 所示。

可在子结构属性下方的下拉框中选择您感兴趣的属性，如 hERG 毒性。Functional Group (FG) Mask、BRICS Substructure Mask、Murcko Substructure Mask 三者分别按照不同的规则划分子结构。FG & BRICS & Murcko Merge (Positive) 和 FG & BRICS & Murcko Merge (Negative) 是对三种规则的综合，分为了 Positive 正贡献和 Negative 负贡献。

如 Fig Legend 所示，颜色越蓝，说明正贡献越大；颜色越红，说明负贡献越大。

举例：hERG毒性预测为二分类模型，预测值越接近于1，说明更可能有毒；预测值越接近于0，说明更可能无毒。图 4 显示了 hERG 毒性的子结构结果。其中烷基为偏蓝色，即正贡献，会使预测值变大，更接近于1，也就是更可能使分子有毒；羧基为红色，即负贡献，会使预测值变小，更接近于0，也就是更可能使分子无毒。

图 4. 分子详情页面-子结构属性

# 4. 相关算法介绍

系统提供了两个不同的模型来计算成药性性质，分别为基于预训练的 MERT 模型和基于 GNN 子结构可解释性的 MGA 模型。Inno-ADMET(MERT)和 Inno-ADMET(MGA)建模框架如图 5 和 6 所示。

图 5. Inno-ADMET(MERT)建模框架

图 6. Inno-ADMET(MGA)建模框架

除了我们的 ADMET 模块，同类型计算 ADMET 性质的平台还有 SwissADME、admetSAR 2.0、FAF-Drugs4、pkCSM 和 vNN-ADME，我们详细比较了这些平台之间的差异，其详细信息汇总在表 1 中。经详细比较得知，这些平台工具各有侧重点，比如 SwissADME 可以提供 logP 和 logS 的多种计算方法以及各种药物相似性规则；admetSAR 2.0 包括最多样化的代谢特性；FAF-Drugs4 首次尝试在 ADMET 评估中加入毒物规则；而 vNN-ADME 中可用的预测性质相对有限。相比之下，ADMET 模块可用于预测分子质量的每个重要方面，涵盖药物化学家感兴趣的主要终点。尤其是平台提供的一些毒性子结构规则、毒性途径和一些药物化学性质预测是独一无二的工具。MERT 模型和 MGA 模型预测结果如表 2 所示。从模型评估指标上来看，Inno-ADMET (MERT) 比其他平台准确率更高；从结果可解释性的角度来看，Inno-ADMET (MGA) 更具优势。 另外从速度上来说，Inno-ADMET (MERT)的速度要优于 Inno-ADMET (MGA)，Inno-ADMET (MERT)的速度达到了 2.35ms/分子。

表 1. ADMET 模块与其他基于 web 的工具的主要特性比较。“+”表示支持该特性，每多增加一个“+”表示支持度更高。

表 2. 各个平台的平均评估结果

# 5. 相关文献

[1] Chemistry-intuitive explanation of graph neural networks for molecular property prediction with substructure masking, Nature communications, 2023, 14, 2585.

[2] ADMETlab 2.0: an integrated online platform for accurate and comprehensive predictions of ADMET properties, Nucleic acids research, 2021, 49, W5-W14.

[3] ADMETlab: a platform for systematic ADMET evaluation based on a comprehensively collected ADMET database, Journal of cheminformatics, 2018, 10, 29.