化合物

编辑 | 萝卜皮了解转录对化学扰动的反应是药物发现的核心，但对疾病化合物组合进行详尽的实验筛选是不可行的。 为了克服这一限制，中国科学院、四川大学华西医院的研究人员提出了 PRnet，这是一种扰动条件下的深度生成模型，可预测转录对从未在体细胞和单细胞水平上进行实验扰动的新化学扰动的反应。 评估表明，PRnet 在预测新化合物、新途径和新细胞系的反应方面优于已有方法。

编辑 | KX基于结构的虚拟筛选在药物发现中发挥着重要作用，科学家对数十亿种化合物库的筛选越来越感兴趣。但只有少数的筛选取得成功，此外，对于基于物理的对接方法而言，对整个超大型库进行虚拟筛选耗时且成本高昂。基于此，华盛顿大学研究团队开发了一种高度准确的基于结构的虚拟筛选方法 RosettaVS，用于预测对接姿势和结合亲和力。RosettaVS 在广泛的基准测试中优于其他最先进的方法。研究人员将其整…

编辑 | 萝卜皮在不断发展的药物发明领域，保守方法由于作用低和资源需求高而面临重大寻衅。AI 药物公司 Model Medicines 和加州大学圣地亚哥分校的研究人员开发了 GALILEO AI 药物发明平台及其核心模型 ChemPrint，旨在提高药物发明的作用。为了解决命中率低和试探新化学空间困难的寻衅，该平台采用自适应份子嵌入和严格的模型训练环境来增强展望能力并导航未知的份子领域。在针对 …

编辑 | 萝卜皮鉴于深度进修的份子生成在许多领域都有广泛的应用，特别是药物发现。然而，目前的深度生成模型大多数是鉴于配体的，在份子生成过程中没有考虑化学学问，往往导致成功率相对较低。四川大学的钻研团队提出了一种鉴于构造的份子生成框架，称为 PocketFlow；该框架明确考虑了化学学问，可在卵白质分离袋内生成新型配体份子，用于鉴于构造的从头药物设计。在各种计算评估中，PocketFlow 表现出了…