InDraw 7.2 pKa预测：比Marvin更准，准确度提升50%
2026-04-14 来源:本站 点击次数:203
据统计，超过70%的上市药物分子含有可离子化的官能团。pKa直接影响分子的溶解度、脂水分配系数、跨膜通透性（Permeability）以及与靶点蛋白的结合模式，是药物研发中的“灵魂参数”。
然而，精准预测pKa始终是计算化学领域的一大挑战，传统的经验公式（如 QSPR 模型）面对复杂、多氮杂环或高度官能团化的先导化合物时，误差往往超过 1-2 个数量级。量子化学方法（如DFT）则耗时数小时。如果 pKa 预测不准，将导致一系列连锁反应：溶解度误判、ADMET瓶颈、分子对接失效......
为了解决这一问题，InDraw 7.2在技术上深度集成顶刊《JACS》的最新科研成果——《Bridging Machine Learning and Thermodynamics for Accurate pKa Prediction》。实现了从“经验推断”到“热力学感知”的技术飞跃，下面我们用数据说话，看看它到底强在哪？
一、 精度验证：超越 Marvin等行业标杆，盲测平均绝对误差（MAE ）仅 0.55
在科学界，数据是检验真理的唯一标准。新一代预测技术在多个国际权威数据集上进行了横向对比，结果令人振奋。
注：MAE < 0.7** 属于高精度模型，**MAE 0.7-1.0** 属于合格水平，**MAE > 1.0 则精度不足
注：MAE < 0.7** 属于高精度模型，**MAE 0.7-1.0** 属于合格水平，**MAE > 1.0 则精度不足
然而，精准预测pKa始终是计算化学领域的一大挑战，传统的经验公式（如 QSPR 模型）面对复杂、多氮杂环或高度官能团化的先导化合物时，误差往往超过 1-2 个数量级。量子化学方法（如DFT）则耗时数小时。如果 pKa 预测不准，将导致一系列连锁反应：溶解度误判、ADMET瓶颈、分子对接失效......为了解决这一问题，InDraw 7.2在技术上深度集成顶刊《JACS》的最新科研成果——《Bridging Machine Learning and Thermodynamics for Accurate pKa Prediction》。实现了从“经验推断”到“热力学感知”的技术飞跃，下面我们用数据说话，看看它到底强在哪？
一、 精度验证：超越 Marvin等行业标杆，盲测平均绝对误差（MAE ）仅 0.55在科学界，数据是检验真理的唯一标准。新一代预测技术在多个国际权威数据集上进行了横向对比，结果令人振奋。
|
一图看懂 InDraw pKa 与 Marvin 等方法在多个数据集上的平均绝对误差（MAE）对比 |
||||
|
测试数据集 |
测试集规模 |
InDraw 7.2 MAE |
行业标杆A (MAE) |
物理计算(DFT) 误差 |
|
Novartis Internal Set |
经典药物分子 |
0.81 |
0.99 |
~0.5-0.7 |
|
SAMPL6 Blind Challenge |
药物小分子 |
0.55 |
0.78 |
0.5-1.0 |
|
SAMPL7 Blind Challenge |
复杂杂环分子 |
0.57 |
1.12 |
1.0+ |
药物分子集（Novartis Set）测试：在针对真实药物分子的测试中，预测模型的平均绝对误差（MAE）降低至 0.81 左右。作为对比，传统的行业标杆软件（如Epik或Marvin）的误差通常在 1.0 附近。这意味着预测结果更接近真实的实验反馈。
盲测挑战赛（SAMPL系列）：在更具挑战性的 SAMPL6 和 SAMPL7 全球盲测数据集中，该技术展现了极强的泛化能力。在 SAMPL6 集中，MAE 仅为 0.55，在复杂杂环分子的盲测中，相较于传统的行业标杆软件，准确度提升了50%！这一数据已经触及了目前计算预测的精度天花板，表现甚至优于许多复杂的物理化学计算流程。
计算速度的降维打击：最令科研人员兴奋的是，在获得接近量子化学（DFT）计算精度的前提下，计算耗时缩短了数万倍。原本需要数小时的计算任务，现在只需 30 毫秒即可完成，真正实现了“即绘即显”。
二、为什么精准预测 pKa 如此困难？
在药物设计中，药化专家经常会遇到“预测值与实验值对不上”的困局，主要源于复杂分子内部微妙的化学环境：
诱导效应与共轭效应的叠加： 当分子中存在多个杂原子时，电子云的分布变得极度复杂，简单的加和法无法捕捉真实的解离倾向。
空间位阻与内氢键： 分子的三维构象会显著影响质子的解离难度。某些官能团可能被“屏蔽”在分子内部，导致其实际pKa远偏离理论值。
互变异构的干扰： 一个分子在溶液中可能存在多种异构体，每种异构体都有其独特的电离常数，如何计算其宏观观测值是业内的长期难题。
三、 技术解法：给AI装上“物理大脑”
InDraw采用Uni-pKa预测技术的跨越式升级，源于其独特的算法架构——将热力学循环约束与3D图神经网络（GNN）深度融合。
盲测挑战赛（SAMPL系列）：在更具挑战性的 SAMPL6 和 SAMPL7 全球盲测数据集中，该技术展现了极强的泛化能力。在 SAMPL6 集中，MAE 仅为 0.55，在复杂杂环分子的盲测中，相较于传统的行业标杆软件，准确度提升了50%！这一数据已经触及了目前计算预测的精度天花板，表现甚至优于许多复杂的物理化学计算流程。
计算速度的降维打击：最令科研人员兴奋的是，在获得接近量子化学（DFT）计算精度的前提下，计算耗时缩短了数万倍。原本需要数小时的计算任务，现在只需 30 毫秒即可完成，真正实现了“即绘即显”。
二、为什么精准预测 pKa 如此困难？
在药物设计中，药化专家经常会遇到“预测值与实验值对不上”的困局，主要源于复杂分子内部微妙的化学环境：
诱导效应与共轭效应的叠加： 当分子中存在多个杂原子时，电子云的分布变得极度复杂，简单的加和法无法捕捉真实的解离倾向。
空间位阻与内氢键： 分子的三维构象会显著影响质子的解离难度。某些官能团可能被“屏蔽”在分子内部，导致其实际pKa远偏离理论值。
互变异构的干扰： 一个分子在溶液中可能存在多种异构体，每种异构体都有其独特的电离常数，如何计算其宏观观测值是业内的长期难题。
三、 技术解法：给AI装上“物理大脑”
InDraw采用Uni-pKa预测技术的跨越式升级，源于其独特的算法架构——将热力学循环约束与3D图神经网络（GNN）深度融合。
|
一图看懂 InDraw pKa 与 Marvin 等方法在多个数据集上的平均绝对误差（MAE）对比 |
||||
|
测试数据集 |
测试集规模 |
InDraw 7.2 MAE |
行业标杆A (MAE) |
物理计算(DFT) 误差 |
|
Novartis Internal Set |
经典药物分子 |
0.81 |
0.99 |
~0.5-0.7 |
|
SAMPL6 Blind Challenge |
药物小分子 |
0.55 |
0.78 |
0.5-1.0 |
|
SAMPL7 Blind Challenge |
复杂杂环分子 |
0.57 |
1.12 |
1.0+ |
“Uni-pKa 模型（如上图所示），通过 AI 学习分子的三维空间特征并预测各微观状态的自由能（Section B）。随后，利用严谨的热力学公式（Section C）将能量信息转化为精准的 pKa 数值。这种‘物理规律约束 AI’的设计，不仅极大地提升了预测精度，更确保了复杂分子在多位点解离时的逻辑严密性。”
遵循物理法则的“系综”建模不同于市面上许多将pKa视为单纯“分类”或“回归”问题的AI模型，InDraw 7.2 采用了Uni-pKa的“质子化系综（Protonation Ensemble）”框架。该技术通过模拟分子在特定环境下的所有可能微观电离状态，并引入吉布斯自由能平衡约束，确保了预测结果在逻辑上严丝合缝。这意味着，无论分子结构多么复杂，其微观电离状态与宏观观测到的pKa值在物理学上始终是自洽的，告别了AI预测常见的“黑盒错误”。
空间感知的3D特征提取新技术不再局限于分子的2D连通性，而是通过预训练的3D分子模型，精准感知原子在空间中的相互距离与相互作用。无论是仲胺、叔胺的碱性漂移，还是多氮杂环的电荷分布，都能以毫秒级的速度给出极具信服力的解释。
四、体验升级：看得见的pKa，点得准的位点
InDraw 7.2 客户端将前沿技术转化为科研人员触手可及的交互功能：
交互式位点标注： 不仅给出数值，还能在分子结构上直观标注酸性/碱性位点，并根据强度进行颜色区分。这种直观的视觉反馈，能极大地辅助化学家快速进行取代基修饰。
微观粒子分布曲线：一键生成分子在 pH 0-14 范围内的电荷状态分布图。这对于制药工艺设计、制剂处方前研究（Pre-formulation）具有至关重要的指导价值。
五、从“盲猜”到“秒答”：改变化学家的工具箱
InDraw 7.2 的发布，不仅是绘图工具的更新，更是 InDraw 迈向“AI+化学智能工作站”的关键一步。科研人员不再需要反复猜测分子的理化性质，不再需要为了一个参数查阅无数文献，也不再需要等待漫长的量子化学计算排队。
下载并打开 InDraw 7.2，在指尖滑动的瞬间，强大的预测引擎便会为您揭示分子内部的电离奥秘。
遵循物理法则的“系综”建模不同于市面上许多将pKa视为单纯“分类”或“回归”问题的AI模型，InDraw 7.2 采用了Uni-pKa的“质子化系综（Protonation Ensemble）”框架。该技术通过模拟分子在特定环境下的所有可能微观电离状态，并引入吉布斯自由能平衡约束，确保了预测结果在逻辑上严丝合缝。这意味着，无论分子结构多么复杂，其微观电离状态与宏观观测到的pKa值在物理学上始终是自洽的，告别了AI预测常见的“黑盒错误”。
空间感知的3D特征提取新技术不再局限于分子的2D连通性，而是通过预训练的3D分子模型，精准感知原子在空间中的相互距离与相互作用。无论是仲胺、叔胺的碱性漂移，还是多氮杂环的电荷分布，都能以毫秒级的速度给出极具信服力的解释。
四、体验升级：看得见的pKa，点得准的位点
InDraw 7.2 客户端将前沿技术转化为科研人员触手可及的交互功能：
交互式位点标注： 不仅给出数值，还能在分子结构上直观标注酸性/碱性位点，并根据强度进行颜色区分。这种直观的视觉反馈，能极大地辅助化学家快速进行取代基修饰。
微观粒子分布曲线：一键生成分子在 pH 0-14 范围内的电荷状态分布图。这对于制药工艺设计、制剂处方前研究（Pre-formulation）具有至关重要的指导价值。五、从“盲猜”到“秒答”：改变化学家的工具箱InDraw 7.2 的发布，不仅是绘图工具的更新，更是 InDraw 迈向“AI+化学智能工作站”的关键一步。科研人员不再需要反复猜测分子的理化性质，不再需要为了一个参数查阅无数文献，也不再需要等待漫长的量子化学计算排队。
下载并打开 InDraw 7.2，在指尖滑动的瞬间，强大的预测引擎便会为您揭示分子内部的电离奥秘。
相关文章
更多 >