菜单

物理,ADME和毒性计算与感知软件

从化学结构预测分子性质-物理化学,ADME和toxo

  • 从结构、名称或SMILES字符串预测分子属性(pKa模块)
    从结构,名称或微笑串预测分子特性
  • Percepta为一个完整的属性预测组合提供了一个单一的界面
    Percepta为一个完整的属性预测组合提供了一个单一的界面
  • 子结构高亮显示为理解预测结果提供了可视化的帮助(LogP模块)
    子结构高亮显示为理解预测结果提供了可视化的帮助
  • 轻松绘制、排序和排序结果(Percepta Portal-web应用程序)
    轻松绘制、排序和排名结果

工业领先的计算物理化学性质,ADME性质,和毒性终点。

Percepta平台上的分子特性计算

Percepta提供了各种物理化学(Physchem)性质,Adme特性和毒性终点。查看分子特性计算器的完整列表,详情如下:

PhysChem*

  • 水溶解性

    水溶液(水)溶解度模块

    • 计算pH依赖的水溶解度,固有溶解度,和溶解在纯(无缓冲)水25°C和零离子强度的化学物质的溶解度;以及溶液的平衡pH值
    • 该模型可以用实验值训练,以改进对专有化学空间的预测
  • 沸点/蒸汽压

    沸点/蒸气压力模块

    • 估计有机化合物在一定压力下的沸点
    • 预测有机化合物的蒸气压随温度变化的函数
  • 日志D.

    日志D.模块

    计算日志D.(基于可电离化合物的pH值的亲脂性)。

    了解更多

  • 日志P.

    日志P.模块

    计算日志P.(亲油性)结构。

    了解更多

  • pK一种

    pK一种模块

    陪同PK.一种值(酸离解)从结构。

    了解更多

  • σ

    σ模块

    • 用于计算分子选定片段的取代基特异性参数的模型:
      • 电子常数(哈密特σ)
      • 空间常数(摩尔体积,摩尔折射率)
      • 疏水常数(汉奇PI)
  • 其他Photochem描述符

    其他Photochem描述符

    分子属性计算器也可用于下列情况:

    • 密度
    • 可自由旋转的债券
    • H债券捐助者和受体
    • 折射率
    • 摩尔折射率
    • 摩尔体积
    • 分子量
    • par
    • 极面积
    • 极化率
    • 规则-5
    • 表面张力

ADME

  • 血脑屏障渗透

    血脑屏障渗透模块

    ACD / Labs软件中的血脑屏障(BBB)渗透模型提供了对候选化合物的渗透潜力的综合评价。虽然预测无法取代实验,但该模块基于以下信息,允许根据BBB的被动传输进行排序化合物:

    • 预测:
      • 被动扩散/渗透率的速率(日志PS.
      • 血脑屏障渗透程度(logBB.) -一种化合物在脑组织和血浆之间的稳态分布比率
      • 脑/等离子体平衡速率(PS * f你,大脑
    • 可能通过载体介导的机制穿越血脑屏障的化合物的警报
  • 细胞色素p450抑制剂

    细胞色素P450抑制剂模块

    • 计算你的化合物在两个不同的IC上成为五种主要药物代谢酶(cyp3a4, CYP2D6, CYP2C9, CYP2C19和cyp1a2)之一的抑制剂的概率50.阈值
      • 集成电路50.<50μm(一般抑制);
      • 集成电路50.<10μm(有效的抑制)
    • 该模型可以通过实验数据对新化合物进行训练,以扩大其适用范围
  • 细胞色素P450基质

    细胞色素P450底物模块

    • 计算化合物将成为五种主要药物代谢酶-CYP3A4,CYP2D6,CYP2C9,CYP2C19和CYP1A2之一的底物的概率
    • 该模型可以通过实验数据对新化合物进行训练,以扩大其适用范围
  • 分布

    分配模块

    • 估计药物与人血浆蛋白结合的强度,要么作为在血浆中结合的总百分比,要么作为与人血清白蛋白的亲和常数
    • 既%ppb和logk一种(HSA)模型可以通过用户数据进行训练
    • 预测它们的表观分布体积(VD.
  • 最大推荐的每日剂量

    每日最大推荐剂量模块

    • 可用于临床的最大口服药物剂量的近似估计
  • 口服生物利用度

    口服生物利用度模块

    口服生物利用度模型结合了概率和机械建模技术,从结构上预测口服生物利用度,并依赖于ACD/Labs的一些其他预测算法和实验数据集。结果提供了定量预测的生物利用度后,口服(%F)的剂量,由用户定义。

    • 预测一些影响口服生物利用度的终点:
      • 溶解度(剂量/溶解度比)
      • 在酸性介质中的稳定性
      • 被动或活性运输的肠膜渗透率(有相关的运输工具摘要)
      • P-gp流出
      • 首先通过肝脏的新陈代谢
    • 查看多达5个最相似的结构从内部训练集,实验结果和文献参考
  • 被动吸收

    被动吸收模块

    人体肠道吸收和溶解度是影响口服生物利用度的两个关键因素。被动吸收模型预测了人体肠道药物的渗透性,考虑了跨细胞和准细胞途径,以及渗透速率的电离特异性差异。预测是基于机械模型,使用许多物理化学参数,包括亲脂性和电离,作为输入。模型输出计算参数如下:

    • 通过肠道被动转运(不受任何侧过程的影响,如有限溶解度/溶解性、可变口服剂量、化学稳定性、主动转运和肠道或肝脏的首次通过代谢),显示通过细胞和旁细胞途径的百分比。
    • 空肠上皮的被动通透性,也表明吸收率。
    • 通过Caco-2细胞单层的被动渗透性,表明通过细胞和旁细胞途径的贡献百分比。
  • P-GP特异性

    P-gp特异性模块

    p -糖蛋白(P-gp)是一种临床相关的外排转运蛋白,可从多种细胞中挤出化合物。其功能与药物的吸收、分布、排泄、中枢神经系统作用、多药耐药(MDR)有关。P-gp转运各种天然化合物和不同治疗领域的药物。

    利用P-gp特异性模型可以快速识别P-gp底物和/或抑制剂候选药物。从合成化合物的巨大的“内部”库或虚拟库中过滤和排除P-gp底物/抑制剂是可能的,然后从进一步的开发中排除此类化合物。P-gp特异性模型可以作为初步筛选,替代基于P-gp atp酶活性测定的筛选试验,部分替代昂贵的表达P-gp细胞单层和P-gp敲除动物实验。

  • PK Explorer.

    PK浏览器模块

    • 通过使用一组来自描述平均统计人类有机体的多室模型的微分方程,估计一些决定你的化合物的药代动力学特征的参数:
      • CP.(t)
      • T.马克斯和CP.(马克思)
      • 口腔口腔和静脉内主管部门AUC
      • 口服生物利用度
  • 区域选择性代谢

    代谢模块的区域选择性

    CYP区域选择性模型能够提供有价值的见解化合物的代谢状况在药物发现过程的早期在很少或没有实验信息是可用的,和劳动密集型的调查中每个化合物的筛选过程涉及大量的化合物是被禁止的。

    • 通过以下方式预测新陈代谢的代谢软点:
      • 人肝微粒体(HLM)
      • 5大细胞色素P450酶(CYP3A4、CYP2D6、CYP2C9、CYP2C19、CYP1A2)
    • 识别新的化学实体的代谢位点
    • 引导性质改善的代谢性质的合成化合物
    • 帮助识别和阐明可能的代谢物结构

毒性

  • 急性毒性

    急性毒性模块

    • 预测定量LD50.不同给药途径的两种鼠值:
      • LD50.口服给药后的小鼠
      • LD50.在小鼠静脉注射后
      • LD50.小鼠腹腔注射后
      • LD50.皮下给药后的小鼠
      • LD50.在大鼠口服后
      • LD50.大鼠腹腔注射后
    • 定性估计经合组织危险类别
    • 专家系统识别可能对毒性效果负责的危险子结构
  • 水生动物毒性

    水生毒性模块

    • 预测LC.50.两种水生生物——黑头米诺鱼(P. promelas)和水蚤(D. magna)的化合物值
  • 内分泌系统紊乱

    内分泌系统干扰模块

    • 预测你的化合物与雌激素受体的相对结合亲和力,这与生殖毒性和癌症的可能性有关
  • 诱变

    诱变模块

    • 提供您产生阳性Ames测试结果的概率预测
  • 健康的影响

    健康影响模块

    • 基于包括不同种类和给药途径的长期器官特异性毒性研究,预测一种化合物对特定器官或器官系统的可能不良影响
    • 考虑以下器官和器官系统:
      • 血液
      • 心血管系统
      • 胃肠系统
      • 肾脏
      • 肝脏
  • hERG抑制

    Herg抑制模块

    • 评估与与人醚 - a-go-go(HERG)通道的药物相互作用相关的心脏毒性的化合物
  • 刺激

    刺激模块

    • 根据Draize测试计算化合物对眼睛和皮肤造成中度或更强刺激的可能性

  • 杂质分析

    杂质分析模块

    由与FDA合作产生的,该模块提供了21种毒性端点的见解,反映了各种危险活动机制,包括:

    • 致突变性(Ames试验,小鼠淋巴瘤试验和其他标准试验)
    • 致裂性(微核试验,染色体畸变)
    • DNA损伤(未划分的DNA合成)
    • 致癌物质(FDA啮齿动物致癌性数据)
    • 内分泌干扰机制(雌激素受体结合)

    了解更多

*作为一个离散bundle可用
可训练(机器学习)模块
作为单独的模块购买

分子特性预测特征

预测结构的分子特性、name或SMILES字符串。

很容易评估结果从物理化学、ADME和毒性计算器-每个模块提供预测特定的信息和工具,如结构突出显示和计算协议。强大的绘图、排序和过滤工具进一步帮助预测结果的评估。

使用可靠性指标,概率和/或类似的结构从训练集评估对预测结果的信心与您当前的项目相关。

应用计算的分子性质数据研究结构修改/先导优化达到目标产品型材(吸收,分布,新陈代谢,排泄)。

用实验数据训练-更好地反映专有化学空间,并提高预测精度使用内建机器学习能力。

添加自定义模型通过使用XML协议或DLL的形式连接到现有的web服务,内部预测算法到核心Percepta模块。

  • 评估预测的准确性,如可靠性指数等特征,以及数据库中类似结构的实验值
  • 亚结构突出显示了相关的结构特征(急性毒性)
    子结构高亮显示贡献的结构特性
  • 修改先导结构以获得最佳性能(结构设计)
    修改先导结构以获得最佳性能

在感知平台上分子属性计算的部署选项

ACD/Labs为我们的物理化学、ADME和毒性预测器提供了多种部署选项:

桌面/瘦客户机

具有图形用户界面的各个计算机的软件安装。提供全部物理化学,ADME和毒性计算器模块(具有培训能力),包括Physchem Profiler Bundle。

批处理

筛选数以万计的化合物与最小的用户干预-兼容微软Windows和Linux操作系统(OS)。插件到企业内部网或工作流工具,如管道试点。

Percepta门户/瘦客户机

基于Web的应用程序用于预测分子特性(Physchem,Adme和毒性)和数据分析。可用的KNIME集成组件。

主机在您的企业内部网或云。适用于Linux、Windows操作系统。

资源

本应用笔记讨论了使用预测模型的机器学习(模型训练)能力来提高准确性的重要性。
阅读更多

宝洁公司(Procter & Gamble)使用Percepta平台来取代物理实验室实验得出的物理化学属性值,用在Silico.预测。阅读Percepta如何帮助化学家和配方师更有效地工作,并协助决策。
关注需求

实验pK与已发表pK的比较一种88种头孢菌素类抗生素的ACD/pK值一种和其他预测软件。
阅读更多

Percepta Portal是一个可伸缩的web应用程序,可以很容易地集成到您的内部环境中。它提供了强大的并行计算能力,以及轻松的维护和部署。
阅读更多

我们的虚拟研讨会特征演示文稿讨论了ACD / Labs软件如何在学术界使用,以支持数据处理和物业预测软件的研究工作,并提供具有仿真工具的实践学习和远程教学。
观察记录

这份由《欧洲制药评论》出版的信息学和数据完整性指南重点介绍了ACD/Labs软件解决方案,包括我们的Spectrus和Percepta平台,以及Luminata和Katalysts D2D新解决方案。
阅读更多

机器学习

成千上万的科学家已经受益于ACD/Labs的分子属性计算器和预测器的机器学习能力。

利用整理的实验数据扩展训练数据库和模型的适用性领域。可培训的模块使ACD/Labs的算法的相关性能够扩展到任何商业可用产品中没有的新型化学空间。

模型培训和培训数据的应用不需要了解编程,并且易于访问和适用。

在分子性质计算器中寻找什么

广泛和/或相关的化学空间覆盖——当使用已知的化学物质时,选择具有广泛化学空间覆盖的预测器。如果你正在研究新的化合物,它们将不会出现在商业可用计算器的数据集中。然而,有些模型可能涵盖更多相关的化学空间。用你有可靠实验数据的化合物评估软件。

可训练性——如果你的研究领域是小众化学领域,或者是受专利保护的化合物,那就寻找可以用可靠的实验数据进行训练的预测算法——这些算法内置了机器学习功能。

能够评估预测的可靠性和准确性-没有计算器将给每个化合物完美的结果。选择能够提供结构/化学特征信息的软件,这些信息是计算结果的基础,或者能够显示计算结果的准确性(或计算误差)。

为什么要使用分子特性计算器和预测因子?

分子在人体或任何环境中的行为,是由该结构的分子特性所控制的。物理学和ADME预测器和计算器使科学家能够预测化学结构如何影响药物、杀虫剂、除草剂或污染物等分子的性能。毒性预测有助于科学家评估潜在风险。

在研发中,分子特性的计算器和预测器有助于:

  • 减少实验的范围和数量
  • 找到更好的新化合物
  • 缩短设计阶段
  • 提高临床前成功率