付洺宇，朱一阳，吴春勇，侯凤贞*，关 媛**

（1中国药科大学理学院，南京211198；2中国药科大学药物分析系，南京211198）

药物发现是一个漫长的过程，主要包括4个阶段：目标选择和验证、化合物筛选和优化、临床前研究、临床试验［1］。在大多数情况下，关于药物发现的研究最终都无法达到临床试验阶段，其中药代动力学的不良性质是导致研究中断的主要原因［2］。由此可见，充分研究先导化合物早期的药代动力学性质对减少临床失败造成的经济损失具有重要意义。 药物的血浆蛋白结合率（plasma protein binding，PPB）反映了药物与血浆蛋白的结合程度，它影响药物在体内的分布、代谢与排泄，与药物的相互作用及作用机制等密切相关。药物在血浆中未结合的部分通常用fu（the fraction unbound in plasma）表示。通过预测药物的fu，有助于了解药物的药代动力学特性，从而在药物发现的早期阶段选择合适的候选药物［3］。

近年来，人工智能算法被越来越多的应用在计算人体药代动力学特性的研究中，为研究者在新药发现和优化阶段选择合适的化合物提供了帮助［4-10］。目前已有几种商业软件可通过软件自身的算法直接预测fu，如ADMET Predictor 和BIOVIA Discovery Studio。然而，与真实值相比，这些软件预测的结果普遍不高。一些研究使用机器学习方法通过构建药物血浆蛋白结合率的定量结构-药物动力学关系（quantitative structure-pharmacokinetic relationship，QSPR）模型预测fu。Votano 等［11］在由808 个药物构成的训练集上使用Molconn-Z 软件计算分子描述符，用人工神经网络、多元线性回归（multiple linear regression，MLR）、支持向量机（support vector machines，SVM）、K- 近 邻（k nearest neighbors，KNN）4 种方法来预测fu，预测模型的R²普遍在0.61 左右。……