SwissADME中如何预测化合物的口服生物利用度？

Question

在使用SwissADME预测化合物口服生物利用度时，一个常见技术问题是：如何准确解读“BOILED-Egg”模型的结果以判断化合物的胃肠道吸收能力？该模型通过WLOGP（脂水分配系数）和TPSA（拓扑极表面积）预测化合物是主要分布在血脑屏障内（CNS）还是经胃肠道吸收（GI absorption）。然而，部分用户误将高GI吸收概率等同于高口服生物利用度，忽略了首过代谢、溶解度或化学稳定性等因素的影响。此外，当化合物位于模型中“高吸收”与“低吸收”交界区域时，预测结果可能不明确，导致判断困难。因此，如何结合其他参数如Lipinski规则、药物相似性评分及代谢稳定性数据进行综合评估，成为实际应用中的关键挑战。

Answer 1

如何准确解读SwissADME中BOILED-Egg模型结果以评估化合物口服生物利用度

1. 初步理解：BOILED-Egg模型的基本原理

BOILED-Egg（Brain Or IntestinaL EstimateD permeation method）是SwissADME平台中用于预测化合物胃肠道吸收（GI absorption）和血脑屏障穿透能力（BBB permeation）的可视化模型。该模型以WLOGP（脂水分配系数）为横轴，TPSA（拓扑极性表面积）为纵轴，将化合物分布划分为不同区域：

• 白色区域：高GI吸收概率
• 黄色区域：可能穿透血脑屏障（CNS活性）
• 交叠区域：兼具高GI吸收与BBB穿透潜力

当化合物落入白色区域时，通常认为其具备良好的肠道渗透能力，但这一判断仅基于被动扩散机制，未考虑代谢、溶解等关键因素。

2. 深入分析：为何高GI吸收≠高口服生物利用度

口服生物利用度（F%）由多个环节共同决定，包括溶解、胃肠道稳定性、跨膜吸收、首过代谢等。BOILED-Egg模型仅评估“吸收”环节，存在以下局限：

影响因素	是否被BOILED-Egg涵盖	典型后果
溶解度	否	低溶解导致吸收不完全
首过代谢	否	肝/肠代谢降低F%
化学稳定性	否	在胃肠液中降解
主动转运或外排	否	P-gp外排降低净吸收
分子量过大	间接（通过TPSA）	影响扩散速率

3. 边界问题：交界区域化合物的不确定性

当化合物位于高/低吸收边界（如TPSA ≈ 140 Ų，WLOGP ≈ 3）时，模型预测可能出现歧义。此时需引入量化指标辅助判断：

def assess_boundary_compound(tpsa, wlogp):
    if tpsa < 140 and 1 < wlogp < 4:
        return "High GI absorption likely"
    elif tpsa > 160 or wlogp < 0 or wlogp > 5:
        return "Low GI absorption"
    else:
        return "Ambiguous - require further evaluation"

例如，TPSA=145且WLOGP=3.2的化合物处于灰色地带，单纯依赖图形难以定论。

4. 综合评估框架：多参数协同分析流程

为提升预测准确性，建议构建如下综合评估流程：

graph TD A[输入化合物结构] --> B{运行SwissADME} B --> C[获取BOILED-Egg结果] B --> D[检查Lipinski规则] B --> E[计算药物相似性评分] B --> F[查看代谢酶底物预测] C --> G{位于高吸收区?} G -->|是| H[结合溶解度数据评估] G -->|否| I[标记为低吸收候选] H --> J{满足Lipinski≤1且代谢稳定?} J -->|是| K[高潜力口服候选] J -->|否| L[需优化或实验验证]

5. 关键补充参数及其作用

在BOILED-Egg基础上，应整合以下参数进行交叉验证：

1. Lipinski五规则：MW ≤ 500, WLOGP ≤ 5, HBD ≤ 5, HBA ≤ 10 —— 过滤类药性差的分子
2. 药物相似性评分（Drug-likeness）：反映与已知药物的化学空间接近程度
3. 代谢稳定性预测：特别是CYP450酶底物可能性，影响首过效应
4. 水溶性预测（Log S）：确保足够溶解以支持吸收
5. pKa与离子化状态：影响跨膜能力，尤其在非被动扩散机制下
6. 分子柔性（Rotatable Bonds）：过多可旋转键可能降低渗透性
7. 氢键供体/受体总数：影响膜通透动力学
8. PSA动态计算（而非静态TPSA）：考虑构象变化对极性表面积的影响
9. AI驱动的ADMET模型集成：如ADMETlab、pkCSM提供更全面预测
10. 体外实验数据融合：如Caco-2渗透性、微粒体稳定性等实测值校正