phytomet-pharma-eval

name	phytomet-pharma-eval
description	植物次生代谢物 (Plant Secondary Metabolite) 药用价值标准化评估流程。覆盖代谢物结构鉴定、体外药效活性初筛（抗肿瘤/抗炎/抗氧化）、基于分子对接的靶点预测、ADMET 与体内药代动力学分析四大阶段，输出可执行的科研工作流。当用户提到植物代谢物、天然产物药用评估、phytochemical screening、natural product drug discovery、靶点预测、ADMET、分子对接、药代动力学、抗肿瘤/抗炎/抗氧化初筛、活性评价 SOP 时使用此技能。
license	MIT
metadata	{"author":"gljx898989","version":"1.0","domain":"natural-product-drug-discovery"}

植物次生代谢物药用价值评估流程 (Phytomet-Pharma-Eval)

何时使用此技能

当用户需要对一个或多个植物次生代谢物（生物碱、黄酮、萜类、酚酸、皂苷、香豆素等）开展系统性药用价值评估时使用，典型场景包括：

• 从天然产物粗提物到候选化合物的研究流程设计
• 单一代谢物的成药性 (drug-likeness) 评估
• 靶点反向预测 (target fishing) 与机制假说生成
• 抗肿瘤 / 抗炎 / 抗氧化等方向的体外活性筛选 SOP
• ADMET 性质预测与体内 PK 实验方案设计
• 撰写候选化合物评估报告 / 立项报告 / 综述

输出形态

根据用户需求，技能可输出以下三类交付物中的一种或多种：

1. 评估报告 (Markdown / PDF)：针对特定化合物的全流程评估
2. SOP 工作流 (Markdown)：可被实验团队执行的标准操作流程
3. 决策矩阵 (表格)：多个候选化合物的横向比较与优先级排序

核心评估框架：四阶段漏斗模型

阶段 1: 结构鉴定与表征 (Structure ID)
        ↓ 通过 → 化合物明确、纯度 >95%
阶段 2: 体外药效初筛 (In vitro Bioactivity)
        ↓ 通过 → 至少 1 个 model 显示 IC50 < 50 μM
阶段 3: 靶点预测与分子对接 (Target Prediction & Docking)
        ↓ 通过 → 找到合理结合靶点 (docking score < -7 kcal/mol)
阶段 4: ADMET 与体内 PK (ADMET & PK)
        ↓ 通过 → 口服生物利用度可接受、无严重毒性预警
       【进入 lead optimization / 立项】

每个阶段都有明确的 Go / No-Go 决策标准，避免在低质量化合物上浪费资源。

阶段 1：结构鉴定与化学表征

1.1 目标

• 确认化合物的 2D/3D 结构
• 评估纯度 (≥95% 用于活性评价)
• 获取关键理化参数 (LogP, MW, pKa, 溶解度)

1.2 推荐技术栈

技术	用途	输出
HRMS (ESI/APCI-Q-TOF)	分子式确认	[M+H]⁺ 精确质量、误差 < 5 ppm
1D NMR (¹H, ¹³C)	平面结构	δ 化学位移、耦合常数
2D NMR (HSQC, HMBC, COSY, NOESY)	连接关系、立体化学	关键 HMBC 相关
UV-Vis、IR	官能团辅助	特征吸收
X-ray / ECD	绝对构型	CD 曲线、Flack 参数
HPLC-DAD / HPLC-MS	纯度评估	主峰面积 %

1.3 数字化与数据库检索

1. 用 ChemDraw / RDKit 绘制结构 → 生成 SMILES、InChI、InChIKey
2. 在以下数据库进行去重 (是否为已知化合物)：
   • PubChem
   • ChEMBL
   • Dictionary of Natural Products (DNP)
   • COCONUT (天然产物专属)
   • TCMSP (中药系统药理)
3. 用 SciFinder / Reaxys 检索结构相似化合物 (Tanimoto > 0.7) 的已报道活性，作为先验

1.4 Go / No-Go 决策

• ✅ Go：结构明确、纯度 >95%、无已报道严重毒性
• ❌ No-Go：结构不确定（异构体未分开）、纯度 <80%、已知为通用 PAINS / 弗朗克 (Frequent Hitter) 化合物
  • 用 FAF-Drugs4 或 RDKit 的 PAINS filter 检查

阶段 2：体外药效活性初筛

2.1 三大方向的初筛模型矩阵

方向	一级筛选 (生化/简单细胞)	二级筛选 (机制)	关键指标
抗肿瘤	MTT/CCK-8 (HepG2, MCF-7, A549, HCT-116, A375 多细胞系)	克隆形成、细胞周期 (PI)、凋亡 (Annexin V/PI)	IC50 (24/48/72 h)、SI = IC50(正常)/IC50(肿瘤) ≥ 3
抗炎	LPS 诱导 RAW264.7，ELISA 测 TNF-α / IL-6 / NO (Griess)	NF-κB 报告基因、Western blot (p-p65, p-IκBα)	NO 抑制率、IC50 (cytokine)、正常细胞毒性 (CC50)
抗氧化	DPPH、ABTS、FRAP、ORAC	细胞内 ROS (DCFH-DA)、Nrf2/HO-1 通路、MDA / SOD / GSH	EC50 (μM)、与 Trolox/VC 比较

2.2 实验设计要点

1. 剂量梯度：至少 5–7 个浓度点 (典型 0.1, 0.3, 1, 3, 10, 30, 100 μM)，跨 3 个数量级
2. 重复：每个浓度至少 3 个生物学重复 + 3 个技术重复
3. 对照：
   • 阴性对照（溶剂，DMSO 终浓度 ≤ 0.1%）
   • 阳性对照（如阿霉素 / 顺铂 / 地塞米松 / Trolox）
   • 空白对照
4. 数据分析：GraphPad Prism 非线性回归拟合，报告 IC50 ± 95% CI 和 Hill slope
5. 筛除假阳性：
   • 荧光化合物干扰 → 改用比色 / 同位素法
   • 聚集 (aggregation) → 加 0.01% Triton X-100 复测
   • 与 luciferase 直接结合 → 用 nano-luciferase 复检

2.3 Go / No-Go 决策

• ✅ Go：至少 1 个 model 中 IC50 < 50 μM 且 SI ≥ 3，剂量-反应曲线光滑 (Hill slope ≈ 1)
• ⚠️ 待定：IC50 50–100 μM，可考虑结构衍生 (SAR) 后再评
• ❌ No-Go：IC50 > 100 μM 在所有模型，或显示明显细胞毒性导致假信号

阶段 3：靶点预测与分子对接

此阶段是用户专业领域 (蛋白工程 + 计算化学) 的优势环节，强调先反向预测再正向验证。

3.1 靶点反向预测 (Target Fishing)

工具	算法	适用
SwissTargetPrediction	2D/3D 相似性	人源蛋白，快速
SEA (Similarity Ensemble Approach)	配体相似性 + 统计	大规模筛选
PharmMapper	反向药效团映射	结构多样化合物
TargetNet	多任务 ML	623 个人源靶点
SuperPred	相似性 + ATC	含药物-靶点关系
AlphaFold + 反向 Docking	全蛋白组扫描	新靶点发现，需算力

实践建议：至少用 3 个工具取交集，输出靶点优先级表（带通路注释，KEGG / Reactome）。

3.2 通路富集与机制假说

1. 将候选靶点列表上传 DAVID / Metascape / Enrichr
2. 富集 KEGG pathway、GO term、Reactome
3. 构建 "化合物 - 靶点 - 通路 - 表型" 网络 (Cytoscape)
4. 形成可证伪的机制假说，连接到阶段 2 观察到的表型

3.3 分子对接验证

准备

• 配体：用 RDKit / OpenBabel 加氢、能量最小化 (MMFF94)，生成多个构象
• 受体：从 PDB 下载共晶结构 (优先) 或 AlphaFold 模型，用 PDBFixer / Schrödinger Protein Prep 处理
• 结合口袋：用 fpocket / CASTp / SiteMap 识别，或基于已知配体定义 grid box

对接工具

工具	特点	速度
AutoDock Vina / Vina-GPU	免费、广泛使用、基线方法	快
Smina / GNINA	Vina 改进，GNINA 集成 CNN 打分	中
Glide (SP/XP)	Schrödinger 商业、精度高	中-慢
DiffDock	扩散模型，盲对接 SOTA	中 (需 GPU)
GOLD	灵活、口袋柔性	慢

评分与验证

1. Re-docking：先对共晶配体重对接，RMSD < 2 Å 才信任评分
2. 打分：报告对接分 (kcal/mol)、关键氢键、π-π 堆积、盐桥
3. MM-GBSA / MM-PBSA：对 top hits 重新计算结合自由能
4. MD 模拟 (推荐，用户优势)：50–200 ns，看 RMSD/RMSF/H-bond 占有率稳定性
5. FEP / TI (高精度)：用于 lead optimization 阶段的 ΔΔG 预测

3.4 Go / No-Go 决策

• ✅ Go：≥ 1 个生物学合理的靶点，docking score ≤ -7 kcal/mol，MD 稳定 (RMSD < 3 Å)，且靶点-表型一致
• ❌ No-Go：所有预测靶点都打分弱 (> -5)、MD 中迅速解离、靶点无法解释体外表型

阶段 4：ADMET 预测与体内药代动力学

4.1 计算 ADMET 预筛

工具	输出
SwissADME	Lipinski/Veber/Egan、BBB、GI 吸收、CYP 抑制
ADMETlab 3.0	70+ 端点（吸收、分布、代谢、排泄、毒性）
pkCSM	PK 参数预测 (Caco-2, VDss, t1/2, CL)
ProTox-3.0	LD50、肝毒性、致癌性、心脏毒性 (hERG)
DeepTox / Tox21	12 类毒性端点

关键过滤：

• Lipinski / Veber 规则（柔性）
• PAINS / Brenk / NIH alerts
• hERG IC50 > 10 μM (预测)
• 肝毒性、致突变性预警

4.2 体外 ADME 实验 (送 CRO 或自建)

项目	方法	关键阈值
溶解度	Shake-flask / kinetic (PBS pH 7.4, FaSSIF)	> 10 μg/mL 较好
渗透性	Caco-2 / PAMPA	Papp > 1×10⁻⁶ cm/s
血浆蛋白结合	平衡透析	通常 < 99%
微粒体稳定性	人/大鼠肝微粒体，孵育 60 min	t1/2 > 30 min，CLint 低
CYP 抑制	探针底物 + LC-MS/MS (1A2/2C9/2C19/2D6/3A4)	IC50 > 10 μM
血脑屏障	MDCK-MDR1 / 小鼠脑/血浓度比	视靶点需求

4.3 体内 PK 实验设计

典型方案 (大鼠 / 小鼠)：

• 给药途径：IV (1–5 mg/kg) + PO (10–50 mg/kg)，平行组比较口服生物利用度
• 采血点：5 min, 15 min, 30 min, 1, 2, 4, 6, 8, 12, 24 h (IV)；15 min, 30 min, 1, 2, 4, 6, 8, 12, 24, 48 h (PO)
• 生物分析：HPLC-MS/MS (用户专长)，建立 LLOQ ≤ 1 ng/mL 的方法，内标用结构类似物或氘代物
• PK 参数 (WinNonlin / Phoenix / NCA)：
  • Cmax, Tmax, t1/2, AUC0-t, AUC0-∞, CL, Vss, MRT
  • F (生物利用度) = (AUC_PO × Dose_IV) / (AUC_IV × Dose_PO)
• 组织分布 (PD/PK 关联)：测肝、肾、脑、肿瘤组织浓度
• 代谢物鉴定：胆汁/尿液/血浆中用 Q-TOF 寻找 M+16, M+14, M+2, M-2 等代谢路径

4.4 Go / No-Go 决策

• ✅ Go：F% > 10% (口服小分子)、t1/2 > 1 h、无严重毒性、暴露量与体外 IC50 匹配
• ⚠️ 待定：F% 较低但可通过制剂改善 (前药、纳米载体)
• ❌ No-Go：F% < 2%、t1/2 < 15 min、hERG 强阻断、肝毒性确证

横向决策矩阵 (多化合物比较)

当需要在 N 个候选物中选择优先推进对象，输出如下表格：

化合物	阶段1纯度	阶段2 best IC50	阶段3 top 靶点 / docking	阶段4 F%	LE	LipE	综合优先级
Cpd-A	98%	5 μM (HepG2)	EGFR / -9.2	12%	0.35	5.1	⭐⭐⭐
Cpd-B	95%	18 μM (RAW)	COX-2 / -7.8	28%	0.30	4.2	⭐⭐
...

• LE (Ligand Efficiency) = -ΔG / 重原子数；目标 ≥ 0.3
• LipE (Lipophilic Efficiency) = pIC50 - LogP；目标 ≥ 3

报告模板

输出报告时遵循以下章节顺序：

1. 摘要：化合物名称、来源植物、最有潜力的方向 (1 句话)
2. 结构与表征：SMILES、关键 NMR/MS 数据、纯度
3. 活性初筛：剂量-反应曲线截图、IC50 表、SI
4. 靶点与机制假说：top 3 靶点、关键残基、富集通路、机制图
5. ADMET & PK：计算预测 + 体内数据
6. 综合评估：SWOT 分析、Go/No-Go 建议、下一步实验
7. 参考文献：Vancouver 格式，含 DOI

工作流执行步骤

当被调用时：

1. 询问输入（如果用户未提供）：

   • 化合物名称 / SMILES / 来源植物
   • 主攻方向（抗肿瘤 / 抗炎 / 抗氧化 / 其他）
   • 当前已有数据（结构、活性、PK）
   • 评估深度：快速 (just 阶段1-2) / 完整四阶段 / 多化合物比较

2. 检索先验：用 web 检索化合物在 PubChem / ChEMBL / 文献中的已知信息（IC50、靶点、PK）

3. 生成评估：按四阶段框架填充，区分 "已有数据"、"文献推断"、"建议补做"

4. 决策建议：明确 Go/No-Go 与下一步实验设计

5. 加载详细参考 (按需)：

   • 实验操作细节 → references/in_vitro_assays.md
   • 对接 / MD 详细参数 → references/docking_md_protocol.md
   • PK 实验 SOP → references/in_vivo_pk_sop.md
   • 推荐工具与数据库清单 → references/tools_databases.md

引用规范

• 所有活性数据、靶点信息须注明来源（PMID / DOI / 数据库 ID）
• 计算预测须注明工具版本和参数
• 区分 "实验测得" (有 reference) vs "AI 预测" (注明模型)

兼容性说明

• 本流程适用于小分子代谢物 (MW < 1000 Da)。大分子 (多糖、蛋白类) 需调整
• 体内实验需符合本地 IACUC 与伦理要求
• 计算工具中的免费 web 服务对商业用途可能有限制，请遵守 license