预测pKa，ACD/Labs凭什么成为行业标杆？

在药物研发、环境化学和材料科学中，pKa（酸解离常数）是一个绕不开的关键参数。它直接影响药物的溶解性、膜渗透性、蛋白结合亲和力，甚至决定一个候选分子能否成为最终上市的药物。然而，准确测定pKa并非易事——实验方法耗时费力，理论计算又面临精度与成本的权衡。

近日，一篇发表于 《Journal of Computer-Aided Molecular Design》 的综述文章（Baitiké et al., 2026, 40:5）对当前主流pKa预测方法进行了全面评估。

该文由Juda Baitiké、Alhadji Malloum和Jeanet Conradie三位学者共同撰写，系统梳理了从实验测定到量子化学、再到机器学习方法的完整技术路线，并重点对比了各模型在SAMPL6、SAMPL7、SAMPL8挑战赛及诺华基准测试中的表现。

在众多工具中，ACD/Labs凭借其深厚的数据库积累与稳健的预测性能，始终占据重要一席。今天，我们就结合这篇最新综述，聊聊ACD/Labs在pKa预测上的硬核优势。

综述在表1中系统梳理了当前主要的pKa数据库，ACD/Labs的表现尤为突出：

ACD/pKa DB：超过26,000个分子，42,000+ pKa值，覆盖有机酸、碱、杂环以及分子量高达2000道尔顿的生物分子

相比之下，许多公开数据库规模有限：

· S+pKa：约1,200条
· DrugBank：约8,250条
· OCHEM：约14,000条
· PubChem：约25,000条（但实验条件较为混杂）

ACD/Labs的数据库经过精心整理，涵盖多种溶剂条件（水相及有机溶剂），为模型训练提供了扎实的"燃料"。正如综述所指出的，高质量、标准化的实验数据是提升pKa预测精度的关键前提。

ACD/pKa—酸解离常数的预测原理与算法全解析【2025】

SAMPL系列挑战赛是pKa预测领域的"奥林匹克"。综述的表2详细列出了各模型在SAMPL6、SAMPL7、SAMPL8中的表现，ACD/Labs的数据如下：

ACD/Labs的RMSE为0.55，显著优于MoKa（0.94）、ChemAxon Marvin（1.00）、COSMOtherm（0.90）等商业软件，与当时表现最好的模型QupKake（0.44）差距不大。值得注意的是，根据文档内容，QupKake虽然基于GNN与量子化学的混合模型实现了较高的预测精度（在SAMPL挑战赛中RMSE为0.44至1.04），但其主要缺陷在于计算成本高昂、流程复杂且依赖大规模训练数据。QupKake的运行分为互变异构体识别、反应位点确定和微观pKa估计三个阶段，流程比ACD/Labs基于LFER的单一方法复杂得多，且其核心依赖DFT等量子化学计算来提供电子结构信息，而文档明确指出量子化学技术“计算成本仍然高昂，限制了其在大数据集上的应用”，同时基于DFT的方法“计算时间可长达每个分子数小时”；此外，QupKake在147.5万个分子的数据集上进行训练，本身就需要大量的计算资源和时间。相比之下，ACD/Labs的LFER方法“计算速度比量子化学方法快10到100倍”，更适合高通量筛选和快速预测场景，而QupKake追求更高精度付出的代价是计算更耗时、流程更繁琐。

综述在"经验与半经验方法"一节中明确指出，LFER方法基于Hammett关于取代基效应的研究，通过线性方程将pKa与分子描述符关联起来。ACD/Labs在此基础上，利用其庞大的专有数据库进行了精细的参数化。

ACD/pKa classic算法预测界面展示

LFER的优势在于：

· 物理意义明确：基于经典的电子效应理论，可解释性强
· 计算速度快：综述指出，LFER方法的预测速度比量子化学方法快10到100倍，在药物筛选中"不可或缺"
· 稳定性好：在常见药物骨架和官能团上表现稳定

对于药物研发中的高通量筛选场景，这种快速且可靠的预测远比黑箱模型更受青睐。

告别预测偏差！Percepta自建专属训练库，pKa预测更准更快

综述还提到，ACD/Labs不仅拥有经典的ACD/pKa classsic预测模块（历史数据约14,000个化合物），还推出了GALAS算法版本，同样具备类似规模的历史数据支持。这种双线策略既保证了老用户的连续性，又通过新版本引入更先进的算法（如全局与局部模型结合），进一步提升了预测精度。

ACD/pKa GALAS算法预测界面展示

当然，ACD/Labs并非没有短板。综述的表2显示，ACD/Labs在SAMPL7和SAMPL8挑战中未提供数据（表格中显示为"-"），意味着其在新近挑战中的表现尚未被公开验证。此外，作为商业软件，其访问受限，且对于极端结构或非水溶剂体系，LFER方法的泛化能力可能不如混合模型。

但瑕不掩瑜。综述在"结论"部分明确指出：

在需要高置信度、可重复、且经过大量实验数据验证的pKa预测场景中，ACD/Labs依然是许多药企和科研机构的"首选武器"。

从26,000+分子的数据库，到SAMPL6中0.55的RMSE，ACD/Labs用数据和方法论证明了其在pKa预测领域的深厚功底。在机器学习狂飙突进的时代，经典方法+高质量数据依然能打出漂亮的一拳。

如果你正在为药物分子的pKa预测发愁，不妨试试ACD/Labs——它不会给你最"炫酷"的模型，但一定会给你最"靠谱"的结果。

Baitiké J, Malloum A, Conradie J. pKa prediction for small molecules: an overview of experimental, quantum, and machine learning-based approaches. J Comput Aided Mol Des, 2026, 40: 5. DOI: 10.1007/s10822-025-00719-9.