目前，「德睿智药」自研的ADMET性质预测平台ADMET Ranker™已基于大语言模型完成迭代升级，在第三方独立验证中，多个成药性指标的预测任务表现均达到当前最优。

以下为研究概况、数据与方法、技术验证与结论：

1. 研究概况

在药物发现早期阶段，准确预测并优化分子的ADMET（吸收、分布、代谢、排泄和毒性）特性至关重要，有利于提高后期临床成功率并成功研发新的治疗药物。然而现有的ADMET基准数据集普遍数据量小，且与药物研发管线中常用化合物类型区别较大，在实际工业场景应用中效用受限。公开的ADMET实验信息虽然数量众多但是由于实验条件的不统一清洗难度大，未经清洗的数据直接进行建模的预测效果差。

基于此，本研究团队研发了一种AI大语言模型驱动的多智能体数据挖掘系统，对公开数据集进行数据提取、标准化处理、数据类型过滤及严格验证，通过多智能体系统分析了14,401种不同的实验来源的信息，最终构建了一个全面可靠的ADMET性质基准数据集PharmaBench，涵盖11种关键的ADMET性质共52,482个数据条目，是当前对应性质在药物研发领域可用的最大、最具多样化的ADMET数据集。与其他数据挖掘的方法相比，「德睿智药」自研的多智能体数据挖掘系统有着准确率高、所需人力少、挖掘范围广等显著优势，可以快速完成大规模不同种类的数据挖掘工作。

图1：构建PharmaBench的数据处理流程

2. 数据与方法

表1：PharmaBench数据来源

研究团队将ChEMBL数据库作为主要数据来源，从中提取并整合了来自14,401种不同实验来源测定的97,609个原始数据条目，并选取其他相关公共数据集进行扩充，累计整合共156,618个数据条目。团队随后建立了一种多智能体大语言模型数据挖掘系统，以大语言模型为核心引擎，从不同类型实验中自动识别关键的实验条件并生成示例，在最大程度上减少人工提取以及结构化的工作量。

图2：多智能体大语言模型数据挖掘工作流程

具体而言，PharmaBench利用了三个自研大语言模型多智能体系统来提取和标准化ADMET数据：关键词提取智能体（KEA）、示例形成智能体（EFA）和数据挖掘智能体（DMA）。KEA从各种ADMET实验中识别并总结关键实验条件，EFA根据这些条件生成结构化示例，DMA则根据KEA总结的实验条件和EFA生成的示例，完成所有数据挖掘任务并进行标准化输出。

PharmaBench通过该多智能体系统分析了14,401种不同的实验信息并根据不同的ADMET实验类型确认了关键的实验信息，从而对数据进行了进一步的标准化和过滤程序，包括结构格式、实验条件和实验值的标准化，并去除异常分子和不规则实验的条目。

表2：PharmaBench数据集摘要

3. 技术验证

在数据集构建完成后，团队通过重复测试、属性分布、机器学习和深度学习模型训练等方法验证并评估了数据质量，结果显示出处理流程后数据质量的显著提高，确保了PharmaBench基准数据集的一致性和可靠性。

图3：通过重复测试和混淆矩阵对比处理前后的数据质量

（a）数据处理前的LogD实验重复测试图（b）数据处理后的LogD实验重复测试图

（c）数据处理前的BBB实验重复测试图（d）数据处理后的BBB实验重复测试图

图4：PharmaBench数据集的频率直方图

表3：PharmaBench上多个机器学习及深度学习模型表现（基于随机拆分）

4. 结论