用途：在投入湿实验前，用多维计算证据验证药物靶点假设。流程按顺序设置4道关卡：遗传证据与疾病关联、可成药性、正常组织中的安全性与必需性、竞争格局；早期关卡失败应给出NO-GO或转向建议。
主要能力：输出0-100分的靶点验证评分，覆盖疾病关联30分、可成药性25分、安全性20分、临床先例15分、验证证据10分；按80-100为Tier 1（GO）、60-79为Tier 2（条件性GO）、40-59为Tier 3（谨慎）、0-39为Tier 4（NO-GO）分级。证据分为T1临床证据至T4计算预测。
使用方式：输入target（必需，基因符号、蛋白名或UniProt ID），可选disease、modality（小分子、抗体、PROTAC）。先做靶点消歧，统一Ensembl、UniProt、Entrez、ChEMBL等标识，再依次进行疾病关联、可成药性、化学起点、ADMET分析、临床先例、安全性、通路、验证证据、结构分析与文献深挖。使用ToolUniverse工具取数，并用Python（pandas、scipy、statsmodels、matplotlib）做统计与评分计算。要求运行深度学习预测模型（如ADMET-AI、ESMFold、AlphaFold、DoGSite等），即使已有实验或数据库数据也要作为正交证据保留。
限制与注意：查询使用英文术语；无数据也要明确记录；每条陈述需注明工具或数据库来源；当存在两个及以上候选药物时，需生成ADMET逐项对比表。具体收费、平台与完整安装步骤暂未提供。