2026-06-11 17:47:37, CHEMICO Advanced Chemistry Development, Inc. (ACD/Labs)

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:
| 模型 | 方法 | SAMPL6 RMSE | SAMPL6 MAE |
|---|---|---|---|
| ACD/Labs | 0.55 | ||
| QupKake | 0.44 | ||
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:
"实验方法仍是可靠的参考依据,但它们正日益被更快、成本更低的计算方法所补充甚至超越。每种方法各有优劣,但最大的潜力正蕴藏于它们的结合与融合之中。"
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.
往期推荐
08-06 市场部
专业之选 · 一站配齐 | Ellutia 色谱全线产品08-06 Ellutia
从一粒沙到一颗芯:LAUDA 如何用精准温控守护半导体未来08-06 LAUDA_China
Nature子刊|覆盖18大器官!同济大学田志新教授首次绘制人类器官N-糖蛋白全景图谱08-06
水汇青城,圆满落幕——北裕仪器“黑灯实验室”构建智慧监测新生态08-06
国仪量子扫描电镜助力岩爆防控!SEM3200揭示微波卸压下花岗岩损伤机制08-05 CIQTEK
低空经济起飞,测试如何跟上?《德思特低空经济发展白皮书》:洞察前沿趋势,解码落地方案08-05 德思特
肌苷的分析 参考《中国药典》(2025年版)二部08-05 YoYo老师
梅罗仰望的“千球大关”,三英精密已交卷!08-05
同样的设备,一个选原厂,一个选第三方——差距有多大?08-05
安图的“第一”系列 | 破解微生物药敏检测难题,打通精准诊疗“高速路”08-05 小安
TA FAQs【19】| TMA的微分曲线(DTMA曲线)代表什么?它又有哪些用途呢?08-05 日立分析仪器
直播邀约丨实例剖析七位半数字多用表的调整及验证过程08-05
有奖答题 |看不见的风险,你能提前发现吗?08-05
专家课堂 | 公司电脑USB全封?告别数据线,热像仪图片这样秒传!08-05
应用案例 | Fluke 2082定位仪查找地下铠装光缆08-05
积分商城 | 7月积分兑换名单08-05
一针致命!雅诗兰黛高管医美填充离世警示:填充剂微粒质控是生命防线08-04
产品推荐 | 让微弱脉冲信号更清晰——锁相放大器集成Boxcar平均器08-04 赛恩科仪
十一载薪火共振,深耕自旋新程|2026年EPR高级研讨班成功举办08-04 CIQTEK




