使用admet-ai预测

git clone https://github.com/swansonk14/admet_ai
cd admet_ai
micromamba create -n admet_ai python=3.10
micromamba activate admet_ai
# pip install -r requirements.txt
pip install -e .
admet_predict --data_path ./data/molecules.csv --save_path ./data/preds.csv --smiles_column smiles
$env:OMP_NUM_THREADS="12"
$env:MKL_NUM_THREADS="12"
$env:NUMEXPR_NUM_THREADS="12"
$env:PYTORCH_NUM_THREADS="12"
admet_predict --data_path ./data/molecules.csv --save_path ./data/preds.csv --smiles_column smiles --num_workers 0 --no_cache_molecules

pytorch 降级

看起来你遇到的是 PyTorch 2.6+ 把 torch.load 的默认参数改成了 weights_only=True 导致的非兼容问题。admet-ai（通过 chemprop 的 load_args）在加载 checkpoint 里保存的 argparse.Namespace 时没有显式设 weights_only=False，因此触发了 PyTorch 的安全反序列化报错。详见官方说明：2.6 起默认改动与报错指引。

micromamba activate admet_ai
python -c "import torch,sys;print(torch.__version__)"
pip install --upgrade 'torch<2.6'
pip install --upgrade 'torch<2.6' --index-url https://download.pytorch.org/whl/cu121

筛选关注的关键属性说明

在抗菌药物候选分子的 ADMET 评估中，本研究主要关注以下 8 个属性，并设置经验阈值作为参考。阈值的设定用于初步风险控制和优先级排序，并非绝对淘汰标准。

毒理学属性（应尽量低于阈值）

• AMES (< 0.5)
  • Ames 致突变实验预测结果。高值表示有潜在的基因突变风险。
• Carcinogens_Lagunin (< 0.5)
  • 致癌性预测。高值表示分子可能存在致癌风险。
• ClinTox (< 0.5)
  • 临床毒性模型预测。高值代表在临床阶段出现毒副作用的可能性较大。
• DILI (< 0.5)
  • 药物性肝损伤（Drug-Induced Liver Injury）。高值表示存在较强肝毒性风险。
• hERG (< 0.5)
  • 针对心脏钾通道 hERG 的抑制概率。高值代表心脏毒性风险增加。

吸收与利用度属性（应尽量高于阈值）

• Bioavailability_Ma (> 0.5)
  • 口服生物利用度预测。高值表示药物在体内更容易被吸收并进入循环。
• HIA_Hou (> 0.5)
  • 人体肠道吸收（Human Intestinal Absorption）。高值代表口服吸收效果更好。
• Caco2_Wang (> 0.5)
  • 基于 Caco-2 细胞模型的渗透性预测。高值说明分子透膜能力较好。

总结

• 毒理学属性 是硬约束（应尽量低于阈值，减少毒副作用风险）。
• 吸收与利用度属性 是优选指标（应尽量高于阈值，保证体内可达有效浓度）。
• 阈值 0.5 为经验值，后续可结合分布曲线调整，更贴近抗菌药物实际特性。