pKa、logD 等理化参数如何决定你的化合物 ADMET 命运？

整理自凯美科公众号ADMET数据洞察

"这个化合物活性很好，但一进体内就被代谢掉了……""hERG 风险太高，这个系列不敢往下推了……"药物化学家对这些困境再熟悉不过。药物研发的高淘汰率，很大程度上源于对化合物 ADMET（吸收、分布、代谢、排泄、毒性）性质缺乏早期预判。理化参数——pKa、logD、ClogP、分子量——恰恰是决定这些性质的关键变量。问题是，你的化合物落在"安全区"吗？

01　来自 Biogen 的大数据分析

2021 年，Biogen（百健）药物化学团队在 Bioorganic & Medicinal Chemistry Letters 上发表了一项研究：利用超过 20,000 个内部化合物的体外 ADME 数据，系统分析了理化性质对 ADMET 谱的影响（Ma et al., Bioorg. Med. Chem. Lett. 2021, 36, 127825）。

该研究覆盖了药物研发中最关键的五个体外 ADME 终点：

• 血浆蛋白结合率（PPB，人/小鼠/大鼠）
• 肝微粒体稳定性（%Qh，人/小鼠/大鼠）
• BCRP 外排转运（MDCK-BCRP）
• P-gp 外排转运（MDCK-MDR1）
• hERG 心脏毒性抑制

研究采用 ROC AUC 分析量化每个理化参数对不同 ADME 终点的预测能力——AUC > 0.7 表示该参数具有实际区分价值。

02　核心发现一：ClogP + 分子量 = ADMET 的"双引擎"

血浆蛋白结合率（PPB）

研究发现，ClogP（AUC = 0.9）和 logD（AUC = 0.9）是预测人血浆蛋白结合率最强的两个参数，分子量（AUC = 0.8）紧随其后。

• 70% 的低 PPB 化合物（fu% > 10%）：ClogP < 2.9
• 仅 6% 的高 PPB 化合物（fu% < 1%）满足此条件
• 分子量阈值：MW < 392 可区分 70% 的低结合 vs 16% 的高结合
• >90% 低 PPB 化合物同时满足 ClogP < 2.9 + MW < 392

实例验证：双氯芬酸（ClogP = 4.58）fu% < 2%，而吗啡（ClogP = 0.04）fu% 高达 62%。亲脂性每上升一个单位，蛋白结合的"紧箍咒"就紧一圈。

肝微粒体稳定性

对于人肝微粒体，ClogP（AUC = 0.8）和分子量（AUC = 0.8）同样是核心影响因素。>70% 的高稳定性化合物（%Qh < 30%）满足 ClogP < 3 和 MW < 400。

03　核心发现二：pKa 和 logD——外排与毒性的"开关"

BCRP 外排转运

碱性 pKa 和 logD（AUC = 0.8）被鉴定为 BCRP 底物识别的关键参数。化合物亲脂性越高（logD > 2.2）、碱性越弱（碱性 pKa < 5.3），越不容易被外排。

• 降低 BCRP 外排风险：logD > 2.2 + 碱性 pKa < 5.3
• 72% 的 logD > 2.2 化合物不是 BCRP 底物，仅 27% 是
• 70% 的碱性 pKa < 5.3 化合物不是 BCRP 底物，仅 25% 是

对于 P-gp，研究坦诚指出：单一理化参数无法有效区分底物与非底物（所有 AUC 均 ≤ 0.6），此时需要借助机器学习模型或基于结构的方法。

hERG 心脏毒性

hERG 抑制是导致药物撤市的"头号杀手"。研究发现：酸性 pKa（AUC = 0.7）和碱性 pKa（AUC = 0.7）是区分抑制剂与非抑制剂的关键。

• 70% 的非抑制剂：酸性 pKa < 13.4（仅 27% 抑制剂满足）
• 52% 的非抑制剂：碱性 pKa < 5.2（仅 10% 抑制剂满足）
• 化合物的质子化状态是 hERG 抑制的核心决定因素

04　一张表说清楚：ADMET 优化的理化参数"体检表"

一句话总结：MW < 400 + ClogP < 3 + 碱性 pKa < 5.2 + 酸性 pKa < 13.4——你的化合物大概率拥有良好的口服生物利用度和低 hERG 风险。

05　从"事后验证"到"事前预测"

Ma et al. 的研究清楚地表明：pKa、logD、ClogP、分子量这些理化参数不是可有可无的"锦上添花"，而是决定化合物 ADMET 命运的"硬指标"。

但问题来了——实验室不可能对每个化合物都测定全套理化参数和体外 ADME。那么，如何在合成之前就知道一个化合物的理化性质？如何用计算预测替代实验筛选，快速判断化合物是否落在"安全区"？

这正是 PhysChem Suite 的设计初衷。

• pKa 预测——基于 25 年算法积累，训练集覆盖数万化合物。2024 版训练数据再增长 13%，配合智能归一化技术，精确预测每个可电离基团的微观 pKa 值。正如论文所示，这直接决定了化合物是否有 hERG 风险。
• logD / logP 预测——支持 pH 1–14 范围的 logD 曲线模拟，智能归一化技术确保计算偏差小于 0.01 单位。从血浆蛋白结合到肝微粒体代谢，亲脂性贯穿 ADMET 全流程。
• 综合 ADME 预测——PhysChem Suite 可与 Percepta 平台的 ADME Suite、Tox Suite 无缝联动，构建从理化性质到药代行为再到毒性风险的完整预测链条。P-gp 外排这类单一参数搞不定的复杂问题，交给 GALAS 机器学习模型。
• 合规报告——v2024 新增 QPRF 报告格式，满足 ICH M7(R2) 监管指南要求，让计算预测结果直接服务于注册申报。

06　实战场景：如何用理化参数指导化合物设计

论文的价值不仅在于数据，还在于其提供的累计分布曲线（Cumulative Plot）可视化方法。结合 Percepta 软件，可以把这种策略日常化：

场景①：化合物库过滤

输入一批虚拟化合物，用 Percepta 批量计算 pKa、logD、ClogP，按论文阈值（MW < 400、ClogP < 3、碱性 pKa < 5.2 / 酸性 pKa < 13.4）筛选，优先合成"安全区"内的分子。

场景②：先导化合物优化

苗头化合物活性很好但 ClogP 偏高？用 Structure Designer 模块预测结构修饰对 pKa 和 logD 的影响，精准优化而不过度牺牲活性。

场景③：hERG 风险排查

候选化合物碱性 pKa > 5.2？立刻做 hERG 预测 + 结构优化，把心脏毒性风险扼杀在摇篮里。已有成功案例：GSK-3β 抑制剂系列通过降低 pKa + logP，hERG IC₅₀ 从约 1 μM 提升至 >30 μM。

写在最后

这篇来自 Biogen 的研究告诉我们一个朴素但重要的道理：药物研发中，"好"的化合物不仅要活性强，还要理化参数"对"。pKa、logD、ClogP 和分子量，这四个看似基础的参数，构成了决定化合物 ADMET 命运的"四象限"。

幸运的是，我们不需要像论文中那样用 ChemAxon + Biobyte + OpenEye 三家软件拼凑计算——Percepta 一个平台就能完成从 pKa 到 ADME 的全链条预测。你的化合物在"安全区"吗？不如先用 Percepta 算一算。