카페인 분자의 adme/tox를 예측하고 싶어.
K
완료
실행 과정 35단계 · 100초
-
진행에이전트를 준비하고 있습니다.
-
진행질문에 맞는 도구와 데이터를 고르고 있습니다.
-
진행도구 22개, 데이터 2개, 라이브러리 8개를 골랐습니다.
-
계획카페인의 구조(SMILES)를 확인한 뒤 ADMET 예측 모델로 흡수·분포·대사·배설·독성 관련 항목을 산출하고, 결과를 표로 정리하겠습니다. 1. [ ] 카페인의 표준 구조를 확인하고 입력 SMILES를 준비한다. 2. [ ] ADMET 예측 모델을 실행하여 카페인의 예측값을 얻는다. 3. [ ] 모델 출력을 검토·해석하고 결과 파일 및 요약을 제공한다.
-
코드 pythonpython
from biomni.tool.pharmacology import predict_admet_properties from biomni.tool.database import query_pubchem import json print("Step 1: Querying PubChem for caffeine structure...") pubchem_result = query_pubchem( prompt="Retrieve the canonical SMILES and basic identity for caffeine", max_results=1, verbose=True ) print(pubchem_result) -
실행 결과
실행 결과 보기
Step 1: Querying PubChem for caffeine structure... {'success': True, 'query_info': {'endpoint': 'https://pubchem.ncbi.nlm.nih.gov/rest/pug/compound/name/caffeine/property/MolecularFormula,MolecularWeight,CanonicalSMILES/CSV', 'method': 'GET', 'description': "Retrieves caffeine's basic identity properties (molecular formula and molecular weight) and canonical SMILES in CSV format."}, 'result': {'raw_text': '"CID","MolecularFormula","MolecularWeight","ConnectivitySMILES"\n2519,"C8H10N4O2",194.19,"CN1C=NC2=C1C(=O)N(C(=O)N2C)C"\n'}} -
계획카페인의 PubChem 구조를 확인했습니다: CID 2519, 분자식 C₈H₁₀N₄O₂, 분자량 194.19, SMILES `CN1C=NC2=C1C(=O)N(C(=O)N2C)C`입니다. 1. [✓] 카페인의 표준 구조를 확인하고 입력 SMILES를 준비한다. (PubChem CID 2519에서 확인) 2. [ ] ADMET 예측 모델을 실행하여 카페인의 예측값을 얻는다. 3. [ ] 모델 출력을 검토·해석하고 결과 파일 및 요약을 제공한다.
-
코드 pythonpython
from biomni.tool.pharmacology import predict_admet_properties import json caffeine_smiles = "CN1C=NC2=C1C(=O)N(C(=O)N2C)C" print("Step 2: Running MPNN ADMET prediction for caffeine...") admet_result = predict_admet_properties( smiles_list=[caffeine_smiles], ADMET_model_type="MPNN" ) print(json.dumps(admet_result, indent=2, ensure_ascii=False, default=str)) -
실행 결과
실행 결과 보기
Error: Please install pip install git+https://github.com/bp-kelley/descriptastorus and pip install pandas-flavor
-
계획ADMET 예측 도구의 실행이 `descriptastorus`와 `pandas-flavor` 의존성 누락으로 중단되었습니다. 필요한 패키지를 설치한 뒤 동일한 MPNN 모델 예측을 재시도하겠습니다. 1. [✓] 카페인의 표준 구조를 확인하고 입력 SMILES를 준비한다. (PubChem CID 2519) 2. [✗] ADMET 예측 모델을 실행하여 카페인의 예측값을 얻는다. (필수 의존성 `descriptastorus`, `pandas-flavor` 누락) 3. [ ] 필요한 의존성을 설치하고 MPNN ADMET 예측을 재실행한다. 4. [ ] 모델 출력을 검토·해석하고 결과 파일 및 요약을 제공한다.
-
코드 pythonpython
import subprocess import sys packages = [ "git+https://github.com/bp-kelley/descriptastorus", "pandas-flavor", ] print("Step 3: Installing missing ADMET prediction dependencies...") for package in packages: result = subprocess.run( [sys.executable, "-m", "pip", "install", package], text=True, capture_output=True ) print(f"\nPackage: {package}") print("Return code:", result.returncode) print((result.stdout[-1500:] if result.stdout else "") or "(no standard output)") if result.returncode != 0: print("Error:", result.stderr[-1500:]) print("\nDependency-installation attempt completed.") -
실행 결과
실행 결과 보기
Step 3: Installing missing ADMET prediction dependencies... Package: git+https://github.com/bp-kelley/descriptastorus Return code: 1 (no standard output) Error: /opt/venv/bin/python: No module named pip Package: pandas-flavor Return code: 1 (no standard output) Error: /opt/venv/bin/python: No module named pip Dependency-installation attempt completed.
-
계획현재 실행 환경에는 `pip` 자체가 없어 누락된 의존성을 설치할 수 없었습니다. 따라서 먼저 이미 사용 가능한 화학정보 도구로 카페인의 물성(ADME 해석의 기반)을 계산하고, 별도로 대체 가능한 ADMET 실행 경로가 있는지 확인하겠습니다. 1. [✓] 카페인의 표준 구조를 확인하고 입력 SMILES를 준비한다. (PubChem CID 2519) 2. [✗] MPNN ADMET 모델을 실행한다. (`descriptastorus`·`pandas-flavor` 누락) 3. [✗] 누락 의존성을 설치한다. (현재 Python 환경에 `pip` 모듈이 없음) 4. [ ] 사용 가능한 환경과 대체 ADMET/물성 도구를 점검한다. 5. [ ] 사용 가능한 예측 결과를 산출·해석하고 한계와 함께 결과 파일을 제공한다.
-
코드 pythonpython
import sys import importlib.util import shutil import os print("Step 4: Inspecting available chemistry/ADMET tooling...") print("Python executable:", sys.executable) print("Working directory:", os.getcwd()) packages = ["rdkit", "descriptastorus", "pandas_flavor", "torch", "deepchem", "tdc", "pandas"] for package in packages: print(f"{package}: {'available' if importlib.util.find_spec(package) else 'not available'}") for command in ["pip", "pip3", "uv", "conda", "mamba"]: print(f"{command} executable:", shutil.which(command)) from biomni.tool.pharmacology import calculate_physicochemical_properties caffeine_smiles = "CN1C=NC2=C1C(=O)N(C(=O)N2C)C" print("\nCalculating available physicochemical properties for caffeine...") physchem_result = calculate_physicochemical_properties(smiles_string=caffeine_smiles) print(physchem_result) -
실행 결과
실행 결과 보기
Step 4: Inspecting available chemistry/ADMET tooling... Python executable: /opt/venv/bin/python Working directory: /work/sessions/example rdkit: available descriptastorus: not available pandas_flavor: available torch: available deepchem: not available tdc: available pandas: available pip executable: None pip3 executable: None uv executable: None conda executable: None mamba executable: None Calculating available physicochemical properties for caffeine... Physicochemical Property Calculation Research Log: Analyzed compound with SMILES: CN1C=NC2=C1C(=O)N(C(=O)N2C)C Key properties: - Molecular Weight: 194.19 g/mol - cLogP: -1.03 - Topological Polar Surface Area: 61.82 Ų - H-Bond Donors: 0 - H-Bond Acceptors: 3 - Rotatable Bonds: 0 - Estimated logD (at pH 7.4): -1.03 - Estimated Acidic Groups: 2 - Estimated Basic Groups: 4 Complete results saved to: /work/sessions/example/physicochemical_properties.csv
-
파일physicochemical_properties.csv
-
계획사용 가능한 도구를 점검한 결과, 원래의 MPNN ADMET 모델은 실행할 수 없지만 RDKit 기반 물성 계산은 가능했습니다. 카페인은 작은 분자량(194.19), 낮은 계산 logP(−1.03), TPSA 61.82 Ų로 확인되었습니다. 다음으로 설치된 `pytdc`에 활용 가능한 사전학습 ADMET 예측기가 있는지 확인하고, 없으면 검증 가능한 구조 기반 지표와 공인 의약품 라벨 정보를 분리하여 정리하겠습니다. 1. [✓] 카페인의 표준 구조를 확인하고 입력 SMILES를 준비한다. (PubChem CID 2519) 2. [✗] MPNN ADMET 모델을 실행한다. (`descriptastorus` 누락) 3. [✗] 누락 의존성을 설치한다. (현재 Python 환경에 `pip` 모듈·실행 파일 없음) 4. [✓] 사용 가능한 환경과 대체 ADMET/물성 도구를 점검한다. (RDKit·pytdc 사용 가능) 5. [ ] pytdc 내 사용 가능한 ADMET 예측 모듈 또는 사전학습 모델을 확인한다. 6. [ ] 사용 가능한 예측 결과를 산출·해석하고 한계와 함께 결과 파일을 제공한다.
-
코드 pythonpython
import tdc import pkgutil import os print("Step 5: Inspecting installed pytdc modules for pretrained ADMET prediction support...") print("pytdc version:", getattr(tdc, "__version__", "not reported")) print("pytdc location:", os.path.dirname(tdc.__file__)) top_modules = sorted(m.name for m in pkgutil.iter_modules(tdc.__path__)) print("Top-level pytdc modules:", top_modules) try: from tdc import Oracle print("Oracle class: available") oracle_names = [x for x in dir(Oracle) if not x.startswith("_")] print("Oracle public attributes:", oracle_names[:50]) except Exception as e: print("Oracle class: unavailable/error:", repr(e)) try: from tdc import single_pred print("single_pred module: available") print("single_pred contents:", [x for x in dir(single_pred) if not x.startswith("_")][:80]) except Exception as e: print("single_pred module: unavailable/error:", repr(e)) -
실행 결과
실행 결과 보기
Step 5: Inspecting installed pytdc modules for pretrained ADMET prediction support... pytdc version: not reported pytdc location: /opt/venv/lib/python3.13/site-packages/tdc Top-level pytdc modules: ['base_dataset', 'benchmark_deprecated', 'benchmark_group', 'chem_utils', 'evaluator', 'generation', 'metadata', 'multi_pred', 'oracles', 'single_pred', 'utils', 'version'] Oracle class: available Oracle public attributes: ['assign_evaluator'] single_pred module: available single_pred contents: ['ADME', 'CRISPROutcome', 'Develop', 'Epitope', 'HTS', 'Paratope', 'QM', 'TestSinglePred', 'Tox', 'Yields', 'adme', 'crispr_outcome', 'develop', 'epitope', 'hts', 'paratope', 'qm', 'single_pred_dataset', 'test_single_pred', 'tox', 'yields']
-
계획`pytdc`에는 ADME/Tox **데이터셋 로더**는 있으나, 현재 설치 상태에서 카페인에 즉시 적용할 수 있는 사전학습 예측기는 확인되지 않았습니다. 따라서 모델 기반 수치 예측은 “실행 불가”로 명시하고, 신뢰 가능한 구조 기반 지표와 허가 라벨의 독성 경고를 보완 근거로 수집해 최종 평가를 작성하겠습니다. 1. [✓] 카페인의 표준 구조를 확인하고 입력 SMILES를 준비한다. (PubChem CID 2519) 2. [✗] MPNN ADMET 모델을 실행한다. (`descriptastorus` 누락) 3. [✗] 누락 의존성을 설치한다. (현재 Python 환경에 `pip` 모듈·실행 파일 없음) 4. [✓] 사용 가능한 환경과 대체 ADMET/물성 도구를 점검한다. (RDKit·pytdc 사용 가능) 5. [✓] pytdc 내 사용 가능한 ADMET 예측 모듈 또는 사전학습 모델을 확인한다. (데이터셋 로더만 확인됨) 6. [ ] 카페인의 공개 물성·규제 라벨 근거를 수집한다. 7. [ ] 예측/근거를 구분하여 ADME/Tox 요약 및 결과 파일을 제공한다.
-
코드 pythonpython
from biomni.tool.database import query_pubchem, query_dailymed import json print("Step 6a: Retrieving PubChem properties relevant to ADME...") pubchem_adme = query_pubchem( prompt="Retrieve caffeine properties: XLogP, hydrogen bond donor count, hydrogen bond acceptor count, rotatable bond count, topological polar surface area, and molecular weight", max_results=1, verbose=True ) print(json.dumps(pubchem_adme, indent=2, ensure_ascii=False, default=str)) print("\nStep 6b: Retrieving FDA-label-derived safety information for caffeine/caffeine citrate...") label_info = query_dailymed( prompt="caffeine citrate warnings contraindications adverse reactions overdose", format="json", verbose=True ) print(json.dumps(label_info, indent=2, ensure_ascii=False, default=str)[:12000]) -
실행 결과
실행 결과 보기
Step 6a: Retrieving PubChem properties relevant to ADME... { "success": false, "error": "API error: 400 Client Error: PUGREST.BadRequest for url: https://pubchem.ncbi.nlm.nih.gov/rest/pug/compound/name/caffeine/property/XLogP,HydrogenBondDonorCount,HydrogenBondAcceptorCount,RotatableBondCount,TPSA,MolecularWeight/CSV", "query_info": { "endpoint": "https://pubchem.ncbi.nlm.nih.gov/rest/pug/compound/name/caffeine/property/XLogP,HydrogenBondDonorCount,HydrogenBondAcceptorCount,RotatableBondCount,TPSA,MolecularWeight/CSV", "method": "GET", "description": "Retrieves caffeine's XLogP, hydrogen bond donor and acceptor counts, rotatable bond count, topological polar surface area (TPSA), and molecular weight in CSV format." }, "response_url_error": "Status: 400\nCode: PUGREST.BadRequest\nMessage: Invalid property\n", "response_text": "" } Step 6b: Retrieving FDA-label-derived safety information for caffeine/caffeine citrate... { "success": true, "query_info": { "endpoint": "https://dailymed.nlm.nih.gov/dailymed/services/v2/spls.json?drug_name=caffeine%20citrate", "method": "GET", "description": "Retrieves SPL records matching caffeine citrate. Use the returned SET ID to retrieve the full label, including warnings, contraindications, adverse reactions, and overdose information." }, "result": { "data": [ { "spl_version": 10, "published_date": "Aug 10, 2026", "title": "CAFFEINE CITRATE SOLUTION [SAGENT PHARMACEUTICALS]", "setid": "5f38c395-0093-4afd-89ec-f96e5dc0934a" }, { "spl_version": 9, "published_date": "Aug 03, 2026", "title": "CAFFEINE CITRATE (CAFFEINE CITRATE) INJECTION, SOLUTION [MICRO LABS LIMITED]", "setid": "279a43b8-9ff5-4792-ac19-441f3fa49269" }, { "spl_version": 5, "published_date": "Aug 03, 2026", "title": "CAFFEINE CITRATE (CAFFEINE CITRATE) SOLUTION [MICRO LABS LIMITED]", "setid": "db4477a3-b291-4b77-9eca-b7ba8f66b2be" }, { "spl_version": 6, "published_date": "Feb 25, 2026", "title": "EXCEDRIN PM TRIPLE ACTION CAPLETS AND EXCEDRIN EXTRA STRENGTH PAIN RELIEVER (ACETAMINOPHEN, ASPIRIN (NSAID), CAFFEINE, AND DIPHENHYDRAMINE CITRATE) KIT [HALEON US HOLDINGS LLC]", "setid": "444fa225-c204-45d1-b3b3-aa5650ee5d07" }, { "spl_version": 3, "published_date": "Jan 12, 2026", "title": "NORGESIC (ORPHENADRINE CITRATE, ASPIRIN AND CAFFEINE) TABLET [GALT PHARMACEUTICALS, LLC]", "setid": "be2761bc-e537-4039-846a-2ffa3d8b2afc" }, { "spl_version": 9, "published_date": "Dec 31, 2025", "title": "NORGESIC FORTE (ORPHENADRINE CITRATE, ASPIRIN AND CAFFEINE) TABLET, MULTILAYER [POLY PHARMACEUTICALS, INC.]", "setid": "85a3b808-b476-f2f0-e053-2a91aa0af21f" }, { "spl_version": 15, "published_date": "Dec 05, 2025", "title": "PANCOLD A (ACETAMINOPHEN, GUAIFENESIN, PENTOXYVERINE CITRATE, PHENYLPEHRINE HYDCROCHLORIDE, CHLORPHENIRAMINE MALEATE, CAFFEINE ANHYDROUS) LIQUID [DONGWHA PHARM. CO. LTD.]", "setid": "fc8f1807-d344-ccc2-e053-6294a90a5089" }, { "spl_version": 6, "published_date": "Nov 17, 2025", "title": "ORPHENGESIC FORTE (ORPHENADRINE CITRATE, ASPIRIN AND CAFFEINE) TABLET [GALT PHARMACEUTICALS, LLC]", "setid": "5bc485db-9d96-4291-aaa3-2a96ebf3098a" }, { "spl_version": 5, "published_date": "Nov 17, 2025", "title": "ORPHENADRINE CITRATE, ASPIRIN AND CAFFEINE (ORPHENADRINE CITRATE, ASPIRIN AND CAFFEINE) TABLET [ATLAND PHARMACEUTICALS, LLC]", "setid": "61ca2af1-081c-411c-90ce-ec6d9e3157b2" }, { "spl_version": 6, "published_date": "Nov 17, 2025", "title": "ORPHENADRINE CITRATE, ASPIRIN AND CAFFEINE (ORPHENADRINE CITRATE, ASPIRIN AND CAFFEINE) TABLET [ATLAND PHARMACEUTICALS, LLC]", "setid": "7776aae6-3cbd-4aed-9aac-4bed80339e27" }, { "spl_version": 6, "published_date": "Apr 28, 2025", "title": "CAFFEINE CITRATE INJECTION, SOLUTION [EUGIA US LLC]", "setid": "8ef448ca-5549-4272-a6b4-5c4f57653c4c" }, { "spl_version": 4, "published_date": "Dec 09, 2024", "title": "ORPHENADRINE CITRATE ASPIRIN CAFFEINE (ORPHENADRINE CITRATE, ASPIRIN, CAFFEINE) TABLET [JEROME STEVENS PHARMACEUTICALS, INC.]", "setid": "b49dd596-1f6a-4ff7-8079-e55bbcca8fbd" }, { "spl_version": 12, "published_date": "Apr 10, 2024", "title": "CAFFEINE CITRATE INJECTION [HIKMA PHARMACEUTICALS USA INC.]", "setid": "21489401-f2a7-47d3-897a-4b7efa04dd7a" }, { "spl_version": 5, "published_date": "Mar 18, 2024", "title": "EXCEDRIN PM TRIPLE ACTION CAPLETS AND EXCEDRIN TENSION HEADACHE (ACETAMINOPHEN, ASPIRIN (NSAID), CAFFEINE, AND DIPHENHYDRAMINE CITRATE) KIT [HALEON US HOLDINGS LLC]", "setid": "978a9d27-6d41-42cb-a193-11314923d2ac" }, { "spl_version": 10, "published_date": "Aug 11, 2023", "title": "CAFFEINE CITRATE INJECTION, SOLUTION [FRESENIUS KABI USA, LLC\n]", "setid": "baf9f88a-776a-44e7-82cc-8f0ca419572f" }, { "spl_version": 5, "published_date": "Aug 02, 2023", "title": "CAFFEINE CITRATE (CAFFEINE CITRATE) INJECTION [ARMAS PHARMACEUTICALS INC.]", "setid": "c1129235-f7f6-43eb-8d6e-786c14c16f2f" }, { "spl_version": 2, "published_date": "Aug 01, 2023", "title": "CAFFEINE CITRATE ORAL SOLUTION (CAFFEINE CITRATE) SOLUTION [ARMAS PHARMACEUTICALS INC.]", "setid": "2bd238d4-4657-4341-9c28-1b468b8f3bf8" }, { "spl_version": 5, "published_date": "Jul 20, 2023", "title": "CAFFEINE CITRATE INJECTION, SOLUTION [FRESENIUS KABI USA, LLC]", "setid": "38b39044-737a-4247-a6c4-c86f5e92490e" }, { "spl_version": 8, "published_date": "Mar 01, 2021", "title": "CAFFEINE CITRATE INJECTION CAFFEINE CITRATE SOLUTION [SUN PHARMACEUTICAL INDUSTRIES, INC.]", "setid": "cc632825-e0a4-4524-8d7d-ce926efab3d6" }, { "spl_version": 2, "published_date": "Jan 23, 2020", "title": "CAFFEINE CITRATE INJECTION [EXELA PHARMA SCIENCES, LLC]", "setid": "f423a220-e7bf-4d24-bc52-bafc1864265b" }, { "spl_version": 3, "published_date": "Jan 03, 2020", "title": "CAFFEINE CITRATE SOLUTION [EXELA PHARMA SCIENCES, LLC]", "setid": "5d05ebf4-fd27-3bd1-5634-b41e33abc41f" }, { "spl_version": 5, "published_date": "Apr 30, 2019", "title": "CAFFEINE CITRATE SOLUTION [FRESENIUS KABI USA, LLC]", "setid": "b4fb7c77-1e82-48b7-83c5-dd04ec7c5c4e" }, { "spl_version": 4, "published_date": "Mar 04, 2019", "title": "CAFFEINE CITRATE INJECTION CAFFEINE CITRATE SOLUTION [SUN PHARMACEUTICAL INDUSTRIES, INC.]", "setid": "d06d3810-9923-4199-be5e-ee5ee086b0a4" }, { "spl_version": 1, "published_date": "Nov 24, 2010", "title": "ORPHENADRINE CITRATE, ASPIRIN AND CAFFEINE TABLET, MULTILAYER [REBEL DISTRIBUTORS CORP]", "setid": "8e41b33e-f71f-4a5e-b88f-cdfefb2bee20" } ], "metadata": { "db_published_date": "Nov 17, 2026 08:19:21PM EST", "elements_per_page": 100, "current_url": "https://dailymed.nlm.nih.gov/dailymed/services/v2/spls.json?drug_name=caffeine%20citrate", "next_page_url": "null", "total_elements": 24, "total_pages": 1, "current_page": 1, "previous_page": "null", "previous_page_url": "null", "next_page": "null" } } } -
계획PubChem의 다중 속성 요청은 지원되지 않는 속성명 때문에 실패했으며, DailyMed 조회는 제품 목록만 반환했습니다. 확인된 카페인시트르산염 단일성분 제품의 전문 라벨을 직접 조회해 안전성·대사 관련 서술을 확보하겠습니다. 물성값은 앞서 RDKit 계산값을 사용합니다. 1. [✓] 카페인의 표준 구조를 확인하고 입력 SMILES를 준비한다. (PubChem CID 2519) 2. [✗] MPNN ADMET 모델을 실행한다. (`descriptastorus` 누락) 3. [✗] 누락 의존성을 설치한다. (현재 Python 환경에 `pip` 모듈·실행 파일 없음) 4. [✓] 사용 가능한 환경과 대체 ADMET/물성 도구를 점검한다. (RDKit·pytdc 사용 가능) 5. [✓] pytdc 내 사용 가능한 ADMET 예측 모듈 또는 사전학습 모델을 확인한다. (데이터셋 로더만 확인됨) 6. [ ] 카페인의 공개 물성·규제 라벨 근거를 수집한다. 7. [ ] 예측/근거를 구분하여 ADME/Tox 요약 및 결과 파일을 제공한다.
-
코드 pythonpython
from biomni.tool.literature import query_pubmed from biomni.tool.literature import extract_url_content import json print("Step 6: Retrieving primary-source label text and literature records.") setid = "21489401-f2a7-47d3-897a-4b7efa04dd7a" label_url = f"https://dailymed.nlm.nih.gov/dailymed/drugInfo.cfm?setid={setid}" label_text = extract_url_content(url=label_url) print("DailyMed label retrieval result (first 10,000 characters):") print(str(label_text)[:10000]) pubmed_result = query_pubmed( query="caffeine pharmacokinetics absorption metabolism CYP1A2 elimination half-life review", max_papers=5 ) print("\nPubMed search result:") print(json.dumps(pubmed_result, ensure_ascii=False, indent=2, default=str)) -
실행 결과
실행 결과 보기
Step 6: Retrieving primary-source label text and literature records. DailyMed label retrieval result (first 10,000 characters): View Package Photos Drug Label Info Safety Related Resources More Info For This Drug PubMed search result: "Title: Clinical pharmacokinetics of mexiletine.\nAbstract: Mexiletine, a class Ib antiarrhythmic agent, is rapidly and completely absorbed following oral administration with a bioavailability of about 90%. Peak plasma concentrations following oral administration occur within 1 to 4 hours and a linear relationship between dose and plasma concentration is observed in the dose range of 100 to 600 mg. Mexiletine is weakly bound to plasma proteins (70%). Its volume of distribution is large and varies from 5 to 9 L/kg in healthy individuals. Mexiletine is eliminated slowly in humans (with an elimination half-life of 10 hours). It undergoes stereoselective disposition caused by extensive metabolism. Eleven metabolites of mexiletine are presently known, but none of these metabolites possesses any pharmacological activity. The major metabolites are hydroxymethyl-mexiletine, p-hydroxy-mexiletine, m-hydroxy-mexiletine and N-hydroxy-mexiletine. Formation of hydroxymethyl-mexiletine, p-hydroxy-mexiletine and m-hydroxy-mexiletine is genetically determined and cosegregates with polymorphic debrisoquine 4-hydroxylase [cytochrome P450 (CYP) 2D6] activity. On the other hand, CYP1A2 seems to be implicated in the N-oxidation of mexiletine. Various physiological, pathological, pharmacological and environmental factors influence the disposition of mexiletine. Myocardial infarction, opioid analgesics, atropine and antacids slow the rate of absorption, whereas metoclopramide enhances it. Rifampicin (rifampin), phenytoin and cigarette smoking significantly enhance the rate of elimination of mexiletine, whereas ciprofloxacin, propafenone and liver cirrhosis decrease it. Cimetidine, ranitidine, fluconazole and omeprazole do not modify the disposition of mexiletine. Conversely, mexiletine is known to alter the disposition of other drugs, such as caffeine and theophylline. Factors affecting the elimination of mexiletine may be clinically important and dosage adjustments are often necessary.\nJournal: Clinical pharmacokinetics"
-
계획DailyMed 웹페이지 본문과 PubMed 검색 결과는 각각 추출/검색 오류로 유효한 근거를 제공하지 못했습니다. 대신 OpenFDA 라벨 API에서 카페인시트르산염의 경고·이상반응 정보를 직접 요청하고, RDKit으로 독성 구조경보와 Lipinski 관련 지표를 계산하여 결과표를 만들겠습니다. 1. [✓] 카페인의 표준 구조를 확인하고 입력 SMILES를 준비한다. (PubChem CID 2519) 2. [✗] MPNN ADMET 모델을 실행한다. (`descriptastorus` 누락) 3. [✗] 누락 의존성을 설치한다. (현재 Python 환경에 `pip` 모듈·실행 파일 없음) 4. [✓] 사용 가능한 환경과 대체 ADMET/물성 도구를 점검한다. (RDKit·pytdc 사용 가능) 5. [✓] pytdc 내 사용 가능한 ADMET 예측 모듈 또는 사전학습 모델을 확인한다. (데이터셋 로더만 확인됨) 6. [✗] 일반 웹페이지/PubMed에서 라벨 및 약동학 근거를 수집한다. (본문 추출 및 검색 결과가 유효하지 않음) 7. [ ] OpenFDA 라벨과 구조 기반 지표를 수집한다. 8. [ ] 예측/근거를 구분하여 ADME/Tox 요약 및 결과 파일을 제공한다.
-
코드 pythonpython
from biomni.tool.pharmacology import get_fda_drug_label_info from rdkit import Chem from rdkit.Chem import Descriptors, Crippen, Lipinski, rdMolDescriptors import json import pandas as pd print("Step 7a: Querying OpenFDA label sections for caffeine citrate...") fda_label = get_fda_drug_label_info( drug_name="caffeine citrate", sections=["indications_and_usage", "contraindications", "warnings", "dosage_and_administration"] ) print(json.dumps(fda_label, indent=2, ensure_ascii=False, default=str)[:15000]) print("\nStep 7b: Computing independent RDKit structural ADME/Tox-relevant descriptors...") smiles = "CN1C=NC2=C1C(=O)N(C(=O)N2C)C" mol = Chem.MolFromSmiles(smiles) descriptors = { "Molecular_weight_g_mol": round(Descriptors.MolWt(mol), 2), "RDKit_cLogP": round(Crippen.MolLogP(mol), 2), "TPSA_A2": round(rdMolDescriptors.CalcTPSA(mol), 2), "H_bond_donors": Lipinski.NumHDonors(mol), "H_bond_acceptors": Lipinski.NumHAcceptors(mol), "Rotatable_bonds": Lipinski.NumRotatableBonds(mol), "Formal_charge": Chem.GetFormalCharge(mol), "Fraction_Csp3": round(rdMolDescriptors.CalcFractionCSP3(mol), 2), "Heavy_atom_count": Lipinski.HeavyAtomCount(mol), "Lipinski_rule_of_5_violations": int( Descriptors.MolWt(mol) > 500 or Crippen.MolLogP(mol) > 5 or Lipinski.NumHDonors(mol) > 5 or Lipinski.NumHAcceptors(mol) > 10 ), } print(json.dumps(descriptors, indent=2)) pd.DataFrame([descriptors]).to_csv("caffeine_structure_based_adme_descriptors.csv", index=False) print("\nSaved: caffeine_structure_based_adme_descriptors.csv") -
실행 결과
실행 결과 보기
Step 7a: Querying OpenFDA label sections for caffeine citrate... "OpenFDA Drug Label Information\n=============================\nDrug: caffeine citrate\nEffective Date: 20250321\nBrand Name: BUTALBITAL, ACETAMINOPHEN AND CAFFEINE\nGeneric Name: BUTALBITAL, ACETAMINOPHEN AND CAFFEINE\nManufacturer: Bryant Ranch Prepack\n\nIndications and Usage:\nINDICATIONS AND USAGE Butalbital, Acetaminophen, and Caffeine capsules, USP are indicated for the relief of the symptom complex of tension (or muscle contraction) headache. Evidence supporting the efficacy and safety of this combination product in the treatment of multiple recurrent headaches is unavailable. Caution in this regard is required because butalbital is habit-forming and potentially abusable.\n\nContraindications:\nCONTRAINDICATIONS This product is contraindicated under the following conditions: Hypersensitivity or intolerance to any component of this product Patients with porphyria.\n\nWarnings:\nWARNINGS Butalbital is habit-forming and potentially abusable. Consequently, the extended use of this product is not recommended. Hepatotoxicity Acetaminophen has been associated with cases of acute liver failure, at times resulting in liver transplant and death. Most of the cases of liver injury are associated with the use of acetaminophen at doses that exceed 4000 milligrams per day, and often involve more than one acetaminophen-containing product. The excessive intake of acetaminophen may be ...\n\nDosage and Administration:\nDOSAGE AND ADMINISTRATION 1 or 2 capsules every 4 hours as needed. Total daily dosage should not exceed 6 capsules. Extended and repeated use of this product is not recommended because of the potential for physical dependence.\n\n" Step 7b: Computing independent RDKit structural ADME/Tox-relevant descriptors... { "Molecular_weight_g_mol": 194.19, "RDKit_cLogP": -1.03, "TPSA_A2": 61.82, "H_bond_donors": 0, "H_bond_acceptors": 3, "Rotatable_bonds": 0, "Formal_charge": 0, "Fraction_Csp3": 0.38, "Heavy_atom_count": 14, "Lipinski_rule_of_5_violations": 0 } Saved: caffeine_structure_based_adme_descriptors.csv -
파일caffeine_structure_based_adme_descriptors.csv
-
계획OpenFDA 결과는 카페인 단일성분이 아닌 복합제(부탈비탈/아세트아미노펜/카페인) 라벨을 반환했으므로, 카페인 자체의 독성 근거로 사용하지 않겠습니다. 현재 환경에서 실행 가능한 결과는 RDKit 기반 구조·물성 평가이며, 이를 “정량 ADMET 모델 예측”과 명확히 구분하여 최종 보고서로 저장하겠습니다. 1. [✓] 카페인의 표준 구조를 확인하고 입력 SMILES를 준비한다. (PubChem CID 2519) 2. [✗] MPNN ADMET 모델을 실행한다. (`descriptastorus` 누락) 3. [✗] 누락 의존성을 설치한다. (현재 Python 환경에 `pip` 모듈·실행 파일 없음) 4. [✓] 사용 가능한 환경과 대체 ADMET/물성 도구를 점검한다. (RDKit·pytdc 사용 가능) 5. [✓] pytdc 내 사용 가능한 ADMET 예측 모듈 또는 사전학습 모델을 확인한다. (데이터셋 로더만 확인됨) 6. [✗] 일반 웹페이지/PubMed에서 라벨 및 약동학 근거를 수집한다. (본문 추출 및 검색 결과가 유효하지 않음) 7. [✓] OpenFDA 라벨과 구조 기반 지표를 수집한다. (OpenFDA는 복합제 라벨이므로 카페인 안전성 근거에서 제외; RDKit 지표는 산출) 8. [ ] 예측/근거를 구분하여 ADME/Tox 요약 및 결과 파일을 제공한다.
-
코드 pythonpython
from pathlib import Path import pandas as pd from rdkit import Chem from rdkit.Chem import Descriptors, Crippen, Lipinski, rdMolDescriptors print("Step 8: Creating a clearly scoped caffeine ADME/Tox assessment report.") smiles = "CN1C=NC2=C1C(=O)N(C(=O)N2C)C" mol = Chem.MolFromSmiles(smiles) d = { "Molecular weight (g/mol)": round(Descriptors.MolWt(mol), 2), "RDKit cLogP": round(Crippen.MolLogP(mol), 2), "TPSA (Ų)": round(rdMolDescriptors.CalcTPSA(mol), 2), "H-bond donors": Lipinski.NumHDonors(mol), "H-bond acceptors": Lipinski.NumHAcceptors(mol), "Rotatable bonds": Lipinski.NumRotatableBonds(mol), "Formal charge": Chem.GetFormalCharge(mol), "Lipinski RO5 violations": 0, } rows = [ ["흡수 (A)", "구조 기반 정성 평가", "낮은 분자량(194.19), TPSA 61.82 Ų, RO5 위반 0", "경구 흡수에 대체로 유리한 물성 프로파일로 해석 가능. 단, 생체이용률/투과도 수치 예측은 수행하지 못함."], ["분포 (D)", "구조 기반 정성 평가", "RDKit cLogP −1.03, 중성 formal charge, TPSA 61.82 Ų", "친수성 경향. 조직분포·혈장단백결합·BBB 투과 여부의 정량 예측은 제공 불가."], ["대사 (M)", "미산출", "실행 가능한 CYP/대사부위 예측 모델 없음", "CYP 기질·억제/유도, 대사 안정성은 본 분석에서 예측하지 않음."], ["배설 (E)", "구조 기반 정성 평가", "저분자량 및 친수성 경향", "신장/간 청소율, 반감기 및 배설경로의 정량 예측은 제공 불가."], ["독성 (T)", "미산출", "독성 예측 모델 실행 실패", "hERG, Ames 변이원성, 간독성, 피부감작성, 급성독성 등의 모델 예측은 제공 불가."], ] df = pd.DataFrame(rows, columns=["ADMET 영역", "평가 유형", "근거/산출값", "해석 및 한계"]) df.to_csv("caffeine_admet_tox_assessment_ko.csv", index=False, encoding="utf-8-sig") report = f"""# 카페인 ADME/Tox 구조 기반 평가 ## 대상 - 화합물: 카페인 (PubChem CID 2519) - SMILES: `{smiles}` - 평가일: 환경 내 사용 가능한 RDKit 구조 계산 기반 ## 계산된 구조·물성 지표 | 지표 | 값 | |---|---:| """ + "\n".join(f"| {k} | {v} |" for k, v in d.items()) + """ ## ADME/Tox 평가 | 영역 | 평가 유형 | 근거/산출값 | 해석 및 한계 | |---|---|---|---| """ + "\n".join("| " + " | ".join(row) + " |" for row in rows) + """ ## 중요 한계 원래 요청한 MPNN 기반 ADMET 모델은 `descriptastorus` 의존성이 없어 실행되지 않았습니다. 현재 환경에는 pip도 없어 해당 의존성을 설치할 수 없었습니다. 따라서 이 문서는 정량적 ADMET/Tox 모델 결과가 아니라 **RDKit 구조·물성 기반의 정성적 스크리닝**입니다. 독성 안전성이나 임상 용량 결정을 위해 사용해서는 안 됩니다. 또한 OpenFDA 조회는 카페인 단일성분이 아니라 카페인 함유 복합제 라벨을 반환했으므로, 그 라벨의 경고·금기·이상반응은 본 카페인 단일성분 평가의 근거에서 제외했습니다. """ Path("caffeine_admet_tox_assessment_ko.md").write_text(report, encoding="utf-8") print("Saved files:") print("- caffeine_admet_tox_assessment_ko.csv") print("- caffeine_admet_tox_assessment_ko.md") print("\nAssessment table:") print(df.to_string(index=False)) -
실행 결과
실행 결과 보기
Step 8: Creating a clearly scoped caffeine ADME/Tox assessment report. Saved files: - caffeine_admet_tox_assessment_ko.csv - caffeine_admet_tox_assessment_ko.md Assessment table: ADMET 영역 평가 유형 근거/산출값 해석 및 한계 흡수 (A) 구조 기반 정성 평가 낮은 분자량(194.19), TPSA 61.82 Ų, RO5 위반 0 경구 흡수에 대체로 유리한 물성 프로파일로 해석 가능. 단, 생체이용률/투과도 수치 예측은 수행하지 못함. 분포 (D) 구조 기반 정성 평가 RDKit cLogP −1.03, 중성 formal charge, TPSA 61.82 Ų 친수성 경향. 조직분포·혈장단백결합·BBB 투과 여부의 정량 예측은 제공 불가. 대사 (M) 미산출 실행 가능한 CYP/대사부위 예측 모델 없음 CYP 기질·억제/유도, 대사 안정성은 본 분석에서 예측하지 않음. 배설 (E) 구조 기반 정성 평가 저분자량 및 친수성 경향 신장/간 청소율, 반감기 및 배설경로의 정량 예측은 제공 불가. 독성 (T) 미산출 독성 예측 모델 실행 실패 hERG, Ames 변이원성, 간독성, 피부감작성, 급성독성 등의 모델 예측은 제공 불가.
-
파일caffeine_admet_tox_assessment_ko.csv
-
파일caffeine_admet_tox_assessment_ko.md
-
계획1. [✓] 카페인의 표준 구조를 확인하고 입력 SMILES를 준비한다. (PubChem CID 2519) 2. [✗] MPNN ADMET 모델을 실행한다. (`descriptastorus` 누락) 3. [✗] 누락 의존성을 설치한다. (현재 Python 환경에 `pip` 모듈·실행 파일 없음) 4. [✓] 사용 가능한 환경과 대체 ADMET/물성 도구를 점검한다. (RDKit·pytdc 사용 가능) 5. [✓] pytdc 내 사용 가능한 ADMET 예측 모듈 또는 사전학습 모델을 확인한다. (데이터셋 로더만 확인됨) 6. [✗] 일반 웹페이지/PubMed에서 라벨 및 약동학 근거를 수집한다. (본문 추출 및 검색 결과가 유효하지 않음) 7. [✓] OpenFDA 라벨과 구조 기반 지표를 수집한다. (복합제 라벨은 카페인 단일성분 근거에서 제외) 8. [✓] 예측/근거를 구분하여 ADME/Tox 요약 및 결과 파일을 제공한다.
카페인(SMILES: `CN1C=NC2=C1C(=O)N(C(=O)N2C)C`)에 대해 실행 가능한 RDKit 기반 구조·물성 스크리닝을 완료했습니다.
| 항목 | 결과 | 해석 |
|---|---:|---|
| 분자량 | 194.19 g/mol | 작은 분자 |
| RDKit cLogP | −1.03 | 친수성 경향 |
| TPSA | 61.82 Ų | 경구 흡수에 불리하지 않은 범위로 해석 가능 |
| H-bond donor / acceptor | 0 / 3 | 극성 상호작용 가능 |
| 회전 결합 | 0 | 강직된 구조 |
| 형식전하 | 0 | 중성 구조 |
| Lipinski RO5 위반 | 0 | 경구 약물성 필터에 부합 |
### ADME/Tox 해석
- **흡수(A):** 낮은 분자량, TPSA 61.82 Ų, Lipinski 위반 0으로 구조적으로는 경구 흡수에 대체로 유리한 프로파일입니다. 다만, 생체이용률이나 Caco-2/MDCK 투과도 같은 정량값은 산출하지 못했습니다.
- **분포(D):** 낮은 cLogP(−1.03)는 친수성 성향을 시사합니다. 혈장단백결합, 분포용적, BBB 투과 가능성의 모델 예측은 제공할 수 없습니다.
- **대사(M):** CYP 기질성·억제성·유도성, 대사 안정성은 실행 가능한 모델이 없어 미산출입니다.
- **배설(E):** 저분자량 및 친수성 성향은 확인되었으나, 신장/간 청소율, 반감기, 실제 배설 비율은 예측하지 않았습니다.
- **독성(T):** hERG, Ames 변이원성, DILI/간독성, 급성독성 등 정량 독성 모델은 의존성 문제로 실행되지 않았습니다.
원래의 MPNN ADMET 모델은 `descriptastorus`가 설치되어 있지 않아 실행에 실패했습니다. 또한 현재 환경에는 `pip`이 없어 의존성을 설치할 수 없었습니다. 따라서 위 결과는 **정량 ADMET/Tox 모델 예측이 아니라 구조·물성 기반의 정성적 스크리닝**입니다.
결과 파일:
- `caffeine_admet_tox_assessment_ko.csv`
- `caffeine_admet_tox_assessment_ko.md`
- `caffeine_structure_based_adme_descriptors.csv`
- `physicochemical_properties.csv`
physicochemical_properties.csv
293 Bytes
caffeine_structure_based_adme_descriptors.csv
202 Bytes
caffeine_admet_tox_assessment_ko.csv
998 Bytes
caffeine_admet_tox_assessment_ko.md
2.18 KB