近日，华东理工大学药学院唐赟教授团队在《药物化学杂志》上发表研究论文。该研究报道一个全新的成药性预测模型，通过整合ADMET性质、理化性质以及可合成性，为候选药物分子带来更综合、更具解释性的成药性评分。
为应对上述挑战，唐赟教授团队在既有工作的基础上（ADMET-score，2019；DBPP-Predictor，2024）取得了进一步突破，建立了一种基于三元组对比学习的变分自编码框架（CLVAE）的方法用于药物相似性评估。该方法以分子的ADMET性质为核心，融合经典理化性质与可合成性，通过半监督的三元组对比损失训练构建结构良好的“类药”潜空间，并通过潜空间坐标导出可解释的成药性评分。该评分方法在多个基准数据集的评估中优于现有方法，且可给出评分成因与方向性优化建议。在案例研究中，该方法准确刻画了Wee1抑制剂的性质优化轨迹，显示出良好的应用潜力。平台可通过https://lmmd.ecust.edu.cn/CLaSP/在线访问。
团队在多类数据集上系统评估了CLaSP：以FDA批准药物与其他国家/地区批准药物（Worlddrug）为正例集；以ChEMBL、ZINC（可购买化合物数据库）和GDB17（虚拟化学空间）为对照库；并引入WITHDRAWN（已撤市药物）与Investigation（在研药物）等真实集合进行外部检验。结果显示，CLaSP能输出可与药物优化流程直接对接的综合评分，在不同数据来源与化学空间上均表现出良好的判别力与适用性，具有较强的应用潜力（图2）。
为验证评分体系的应用价值，作者针对Wee1抑制剂开展了案例研究：与不良反应事件相关的AZD1775与ZN-c3在CLaSP评分中处于较低水平；相较之下，优化后的化合物32、34以及目前在研的化合物3获得更高评分，显示出良好的优化潜力（图3）。
CLaSP以三元组对比学习的VAE统一整合ADMET、理化与可合成性信息，构建可解释的类药潜空间并生成量化评分，在多基准与Wee1案例中验证有效，有望为早期筛选、系列优选与先导优化提供可量化、可解释的决策参考。
论文链接：https://pubs.acs.org/doi/10.1021/acs.jmedchem.5c01618
