用途：该技能面向小分子化合物的 ADME（吸收、分布、代谢、排泄）与类药性分析，使用经验证的化学信息学模型、分子描述符和构效关系，帮助对化合物库进行优先排序与优化方向判断。
主要能力：吸收方面可预测人肠吸收（HIA）、Caco-2 通透性、溶解度与 LogS，并给出 Lipinski 与 Veber 规则通过情况；分布方面可预测表观分布容积（Vd）、血浆蛋白结合（PPB）、血脑屏障穿透（LogBB）与游离分数 fu；代谢方面可预测 CYP 抑制与底物、代谢稳定性（T1/2 或类别）以及代谢不稳定位点，另含 MAO 底物分类；排泄方面可预测清除率、半衰期与主要排泄途径，并提供 LogD；还可计算 QED、Muegge、多参数优化（MPO）等类药性评分，并支持对化合物库的批量预测、按条件过滤与排名。
使用方式：需要 Python 3.10+，依赖 requirements.txt 中声明的 dataclasses 与 rdkit。可先运行 python -m py_compile scripts/main.py 校验入口，再用 python scripts/main.py --help 查看参数；单化合物示例：python scripts/main.py --smiles "CC(=O)Oc1ccccc1C(=O)O" --properties all --output aspirin_adme.json；批量示例：python scripts/main.py --input library.smi --properties absorption,distribution --format csv --output library_adme.csv；过滤与排序示例：python scripts/main.py --input library_adme.csv --filter "lipinski_pass=True,hia>80" --rank-by qed --top-n 100 --output top_candidates.csv。也可通过 Python API 调用 ADMEPredictor 与 BatchProcessor。参考材料位于 references/ 目录。
适用场景：化合物库的 ADME 初筛与优先排序、先导化合物优化中的代谢热点识别、候选化合物 PK 性质比较等。
限制：预测结果不是实验数据，只能用于优先级判断；模型对训练集外化学型、肽类与大环化合物可靠性下降，MW 建议在 100–800 Da；标准模型不预测时间依赖性抑制（TDI）；清除率在不同模型间可能差异较大；批量处理需注意内存与无效 SMILES。部分模型版本与置信区间、收费标准、官方托管平台等信息暂未提供。