化合物
为233种疾病推荐候选药物，中国科学院深度生成模型助力药物发现，登Nature子刊
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。
筛选数十亿化合物库，华盛顿大学药物AI虚拟筛选平台，登Nature子刊
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。研究人员将其整合到一个新的开源 AI 加速虚拟筛选平台中，用于药物发现。利用这个平台，针对两个不相关的靶标，即泛素连接酶靶标 KLHD
体外命中率提高75%，Model Medicines&加州大学开发AI驱动的药物发现框架
编辑 | 萝卜皮在不断发展的药物发现领域，传统方法由于效率低和资源需求高而面临重大挑战。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 药物发现平台及其核心模型 ChemPrint，旨在提高药物发现的效率。为了解决命中率低和探索新化学空间困难的挑战，该平台采用自适应分子嵌入和严格的模型训练环境来增强预测能力并导航未知的分子领域。在针对 AXL 和 BRD4 肿瘤学靶标的案例中，ChemPrint 实现了 45.5% 的体外命中率，并鉴定了 20 种新型作
100%化学有效，高度类似药物，川大开发数据和知识双驱动的AI分子生成框架
编辑 | 萝卜皮基于深度学习的分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基于配体的，在分子生成过程中没有考虑化学知识，往往导致成功率相对较低。四川大学的研究团队提出了一种基于结构的分子生成框架，称为 PocketFlow；该框架明确考虑了化学知识，可在蛋白质结合袋内生成新型配体分子，用于基于结构的从头药物设计。在各种计算评估中，PocketFlow 表现出了最先进的性能，生成的分子具有 100% 化学有效且高度类似药物。研究人员将PocketFlow应用于两个与表观遗传调控相
- 1