Certara D360：药物研发数据分析平台

D360 是 Certara 的科研数据分析平台，定位偏向「让科学家自助查询与分析跨源数据」。Certara 在药代动力学（PK）、药效学（PD）、群体建模与监管申报方面积累深厚，D360 常被用于整合化合物数据、体外 ADME 数据、体内 PK 数据与安全性数据。

它面向的决策场景

先导化合物到候选药物的推进决策，需要同时看很多维度：

维度	关键数据
活性	靶点结合、细胞活性、选择性
理化	溶解度、logD、稳定性
体外 ADME	微粒体/肝细胞清除率、通透性、血浆蛋白结合、CYP 抑制
体内 PK	清除率、分布容积、半衰期、生物利用度
安全性	hERG、遗传毒性、初步毒理
可开发性	合成路线、晶型、稳定性

这些数据通常分散在不同系统里，而决策需要它们并排呈现。D360 这类工具的核心价值就是提供这个统一视图，并让科学家不写 SQL 也能自助查询。

体外到体内的外推（IVIVE）

Certara 生态的一个特色能力是把体外数据外推到体内预测：

• 用肝微粒体清除率预测体内肝清除率：需要考虑蛋白结合、肝血流、微粒体蛋白含量等换算因子；
• 用 Caco-2 通透性预测口服吸收；
• PBPK 建模（Certara 的 Simcyp 是这个领域的主流工具）：用生理参数与药物性质构建全身药代模型，预测不同人群、不同给药方案下的暴露。

IVIVE 与 PBPK 是连接「分子性质」与「临床剂量」的桥梁。AI 预测的 ADMET 性质，最终要通过这类模型才能转化为「这个分子在人体内会是什么暴露水平」的判断——而这才是决策真正需要的信息。

把 AI 预测接进决策流程

• 预测值要与实测值区分标注：决策表中必须清楚哪些是模型预测、哪些是实测数据。混在一起是危险的做法。
• 预测要带不确定性：给出置信区间或适用域提示，而非孤立数字。
• 用预测做排序而非定量：ADMET 模型的绝对值通常不够准，用于优先级排序更合适。
• 预测触发实验而非替代实验：模型提示高风险的分子，应优先安排实测确认，而不是直接淘汰。
• 持续回测：把实测结果与之前的预测对比，跟踪模型在自家化学空间上的实际表现。这个反馈循环是模型可信度的唯一来源。

开源与轻量替代

# 数据整合层
#   PostgreSQL + RDKit 扩展（化合物检索）
#   或 DuckDB（轻量分析）

# 分析与可视化
#   Python: pandas + Plotly/Panel/Streamlit
#   R: Shiny + tidyverse

# PK 分析
#   Python: PKPy、scipy 拟合房室模型
#   R: nlmixr2、PKNCA（非房室分析）

# PBPK
#   开源选项有限（PK-Sim/Open Systems Pharmacology 是主要的开源 PBPK 平台）
#   商业工具在这一块仍有明显优势

PBPK 是开源生态相对薄弱的一块，且监管申报场景中对工具的验证状态有要求，这是商业软件的实际优势所在。

延伸资源

• 同类平台：297《Benchling R&D Cloud》、298《Dotmatics Luma》、300《CDD Vault》；
• PK/PD 与决策见「决策与监管」模块；ADMET 见「成药性」模块。