Percepta 平台 logD 预测算法的优化升级
ACD/Labs 开发的 pH 依赖性辛醇/水分配系数（logD）预测算法是一种高度精确且稳健的方法，可用于评估药物分子在各种生理相关 pH 条件下的亲脂性。其核心 pKa 预测模块能够充分考虑溶液在特定 pH 值下存在的所有离子形态——这一特性适用于所有 pKa 依赖性性质预测，如 logD 或 logS。然而，全面评估所有相关微观物种也带来了计算速度与归一化误差两方面的挑战。Percepta v2024 引入的"智能归一化"技术给出了系统性解法。
01 全面评估所有微观物种带来的两个问题
计算速度
对于具有多个可电离中心的分子，其电离图可能非常复杂，完整遍历这些结构会消耗大量计算资源，导致计算速度较慢。
归一化误差
由于需要从大量离子形态中整合预测结果，必须采用特殊的 pKa 微观常数归一化程序。这可能导致模拟的 logD-pH 曲线与化合物表观 pKa 谱预期的曲线形态存在显著差异，从而在分析预测结果时引起混淆，甚至质疑 logD 预测本身的准确性。
02 logD 算法原理
分子在特定 pH 值下的 logD 值取决于其中性形态的 logP 以及该 pH 值下所有离子形态的占比。离子形态的分布直接依赖于分子的所有 pKa 微观常数。为了从 pH 值计算离子形态的分布，需要求解一个以 pKa 微观常数为系数的非线性浓度方程组。
Percepta v2023 发布的新一代 pKa Classic 算法，通过将训练数据集扩大约 20%，显著提高了 pKa 预测的准确性，同时解决了计算速度问题——复杂多质子分子的原始 pKa 预测速度提升了 5–10 倍。通过专门的优化，这一速度提升也延伸至其他 pKa 依赖性性质的计算，如 logD 或 logS。
Percepta v2024 中 logD 算法更新的主要目标，是尽量减少模拟 logD-pH 曲线与电荷-pH 曲线形状之间的差异。
03 问题：归一化误差
在多质子分子中，由于 pKa 微观常数数量过多，方程组处于"过拟合"状态，无法获得唯一精确解。因此，最终的"归一化"解需要通过最小二乘法优化来确定。此外，pKa 微观常数的预测本身也存在一定误差。这些预测误差和归一化误差的累积，常常导致离子形态分布以及 logD 等性质与化合物基于其"主要"pKa 微观常数预测值定义的电离谱出现显著偏差。
如下表所示，使用归一化 pKa 微观常数估算的 logD 值，与基于 logP 和 pKa 反推的 logD 值并不完全吻合。在离子形态分布中，这种差异更为显著——从正电荷形态到中性形态的转变中点，与氯丙嗪的预测 pKa 值存在一定偏移。
即使对于这种仅有两个可电离中心的相对简单分子，归一化引入的偏差已显而易见；而对于具有更多可电离中心的复杂分子，这种偏差可能会更加显著。这一点尤其值得关注，因为主要解离反应的微观常数以及表观 pKa 值的预测本身具有很高的准确性。
从理论上讲，可以完全忽略次要的微观阶段以避免计算速度的下降和额外的误差来源。然而保留这些微观阶段仍有三个重要原因：
- 重要性评估的必要性：要区分哪些微观阶段重要、哪些不重要，必须首先计算所有微观阶段
- 微观阶段的相对性：同一阶段的"主要"和"次要"微观 pKa 值可能非常接近，忽略某些阶段可能导致溶液中显著存在的离子形态被遗漏
- 复杂分子的不确定性：对于具有多个可电离中心的分子，评估单个微观阶段的相关性并非易事，其中任何一个阶段都可能对最终结果起到关键作用
因此，尽管保留所有微观阶段会增加计算复杂性和潜在误差，但从全面性和准确性的角度考虑，这一做法仍然不可或缺。
04 解决方案：智能归一化
为解决这一问题，最可行的方案是优化归一化过程本身，这促使 Percepta v2024 中开发了"智能归一化"技术。尽管超定方程组的解仍然通过最小化所有方程的总误差来确定，但新方法还引入了对每个微观阶段相对"重要性"的考量，确保最重要的微观常数在归一化后与原始值的偏差更小。
智能归一化使关键解离反应的 pKa 微观常数更接近其初始值，从而显著减少了不同方法估算的 logD 曲线之间的差异。同时，离子形态百分比的偏差也大幅减小——更重要的是，转变中点（50.0%）精确对应于 pH = pKa。
05 结论
Percepta v2024 中更新的 logD 算法几乎完全解决了因 pKa 方程组冗余导致的 logD 曲线计算不准确的问题。这一改进同样适用于不同 pH 值下的离子形态分布，以及依赖于 pKa 或 logD 的性质（如溶解度-pH 曲线、吸收与生物利用度、药代动力学参数等）。这些优化结果在色谱分析应用中同样具有重要意义。
logD 及离子形态计算的改进，与 Percepta v2023 以来 pKa 计算的显著提升相辅相成，共同为用户提供了更精确、更可靠的计算工具。
如需了解 Percepta 平台 logD / pKa 预测算法的更多信息，欢迎联系我们。