- 综合排序
- 最热优先
- 最新优先
- 来自专栏DrugOne
基于AI探索表观遗传药物发现的化学空间
这将涉及设计具有优良的物理化学、ADMET，药代动力学和药效学性质以及新知识产权的化合物。设计的化合物应适合于体内研究，并且必须利用靶标的所有可用知识。本文涉及该方法在加速表观遗传药物发现中的应用。 在表观遗传学药物靶标类别中，主要分为三类：writers, readers and erasers。writers通过添加包括乙酰基、磷酰基和甲基在内的化学基团来“标记”组蛋白和DNA。 2 确定药物靶标的优先次序 根据文献和数据库确定药物靶标的优先级，重点是：a）现有批准的药物(DrugBank)，b）临床试验中的药物，c）结构信息和d）可药物治疗性。 3 应用AI方法 这项活动应利用必要的AI技术，以允许设计作为表观遗传药物靶标的潜在调节剂的新型化合物。 亿万亿级人工智能的应用（即超级计算机实现的速率）将允许a）准备化学可访问化合物的虚拟库，以增加项目技术成功的可能性，b）通过结构并行对接至定义的靶标对象信息，以及偏离靶标的信息；以及c）由AI驱动的结果分析和新型化合物设计
51040发布于 2021-01-29 早期研发药物化学的实践与效能提升路径
在药物研发的早期阶段，药物化学研究的质量与效率往往决定着整个项目的推进节奏。对于科研人员而言，如何在化合物发现、优化到临床前候选化合物确定的全流程中提升效能，是绕不开的核心课题。 早期研发关键环节的实操要点早期药物化学研究涉及多个紧密衔接的环节，每个环节的技术选择与执行细节都至关重要。在活性化合物发现阶段，高通量筛选技术与基于结构的设计方法的结合已成为主流。 通过优化实验流程、共享中间体资源，部分团队实现了每人每月 3-6 个化合物的稳定输出，且每周完成的反应数保持在 10 个以上。这种高效的背后，是对实验方案的提前模拟与设备资源的合理调配。 在药物研发的漫长进程中，每个环节的细微优化都可能带来质的飞跃。以上实践经验或许能为科研人员提供一些参考，让早期药物化学研究在高效与规范的轨道上稳步前行。
22010编辑于 2025-08-14- 来自专栏DrugOne
哈佛CASTER | 基于化学子结构表征预测药物相互作用
（2）模型仅仅是依赖有标签数据进行预测，不能很好地将模型泛化到新药或者DDI中（3）模型的参数多，难以提供可解释性。 方法 CASTER通过三个模块很好地缓解之前计算模型的局限性：（1）基于DDI机制的序列模式挖掘模块，有效地描述药物的功能子结构（2）自编码模块 ，利用标签数据和无标签的化学结构数据来提高模型的准确性和通用性 （3）字典学习模块，测量每个输入子结构与DDI结果的相关性的一组系数来解释预测 。 训练过程 使用无标签的药物-药物和药物-食物对来对自编码模块和字典学习模块进行预训练，编码器可以学习任意化学结构的最有效的表示。 使用有标签的数据集微调DDI预测的整个学习流水线。 结论 本文在药物相互作用的化学机制的启发下，提出了一个新的DDI预测计算框架CASTER，它是一个端到端的字典学习框架，包含了DDI预测的具体表示。
947100发布于 2021-01-29 - 来自专栏智能生信
Chemspace Atlas：用于药物发现的多尺度大型化学数据库
李仲深 论文题目 Chemspace Atlas: Multiscale Chemography of Ultralarge Libraries for Drug Discovery 论文摘要 如今，药物的发现不可避免地要使用包含大量化合物的数据库 了解它们的化学组成和物理化学性质对于靶点识别至关重要。高效的多功能工具可以对不断增长的化学库进行多方面分析，但它们必须配合大量数据使用。 在这里，作者公开了可以免费访问的Chemspace Atlas，其中包括近4万个分层次的生成式拓扑映射（GTM），可容纳多达5亿的化合物，包括类片段、类先导化合物、类药物、类PPI和类NP的化学子空间。 大约有20种物理化学性质和近750种生物活性可被可视化，支持活性图谱分析和模拟搜索。此外，Chemspace Atlas以后将扩展新的化学子空间（如DNA编码文库和合成子）和官能团。
60130编辑于 2022-12-29 - 来自专栏DrugOne
OpenChem | 用于计算化学和药物设计的深度学习工具包
编·译作者 | 王建民 深度学习在计算化学和材料信息学领域兴起，深度学习可以有效地应用于化学结构及其性能之间的关系建模。随着化学和材料数据的增长，深度学习模型可以开始优于传统的机器学习技术。 本文最近发表在《Journal of Chemical Information and Modeling》用于计算化学和药物设计的深度学习工具包OpenChem，一个基于PyTorch的深度学习工具包， 用于计算化学和药物设计。 OpenChem是具有PyTorch后端的用于计算化学和药物设计的深度学习工具包。 OpenChem库的创建是为了使深度学习算法的高性能实现能够用于药物发现和分子建模应用。OpenChem基于PyTorch框架构建，针对在GPU和大数据集上执行进行了优化。
2.1K30发布于 2021-02-01 - 来自专栏Fdu弟中弟
强化学习-A3C
这应该是最后一篇关于强化学习的内容了，使用A3C算法玩平衡杆游戏。 代码参考自龙良曲的tensorflow2开源书籍。 def __init__(self): # server优化器，client不需要，直接从server拉取参数 self.opt = optimizers.Adam(1e-3) moving_average_rewards), 's') plt.xlabel('回合数') plt.ylabel('总回报') plt.savefig('a3c-tf-cartpole.svg A3C算法比较特别的地方就是异步更新网络的方式，一个全局网络加若干个子网络（子网络个数一般取CPU核数），每个网络都包含自己Actor和Critic。
55210发布于 2021-02-24 - 来自专栏杨熹的专栏
强化学习第3课
强化学习有一些决策过程。 例如在横幅广告这个任务中，网站就是它的 agent ，是可以采取一些行动的。 这个网站可以观察到用户们所浏览的网页，并且能够采取一个行动。 其他的例子，例如药物治疗方面。 病人去看医生，医生就是这个代理，医生观察一些症状，并给出一个治疗方案，然后会得到一个反馈，病人是否在治疗之后感觉好一些了等等。
57530发布于 2018-12-07 药物研发新视角：逆向优化分析如何重塑化学优化逻辑？
在药物研发的漫长征程中，从苗头化合物（Hit）到先导化合物（Lead），再到开发候选化合物（Development Candidate, DC）的优化过程，犹如一场分子层面的“进化之旅”。 本文将深入解析该研究的核心方法，揭示如何通过分子网络与优化子解码，让药物优化逻辑从模糊走向清晰。 一、研究方法：从分子网络到优化子的解码工具 1. 3. • 外部数据集：整合Hopkins（分子对）、Brown（Hit-DC对）、Perola（Lead-药物对）公开数据，验证LLE、MC等趋势的普适性。 这些方法不仅适用于药物研发，还可拓展至催化剂、功能材料等领域的优化场景。
10910编辑于 2026-01-08- 来自专栏DrugOne
Nature | 基于AI的 变废为宝 算法，将化学废料重新利用为有用的药物
王建民 韩国蔚山科学技术学院化学系的Bartosz A. 化学工业继续产生大量的废弃化学品，开发 "循环化学 "方法，将这些不受欢迎的材料中的至少一部分有成效地转化为有价值的产品是至关重要的。 人类化学家可能没有能力追踪所有这些合成，并选择那些也符合工艺和 "绿色 "化学标准的合成。 Grzybowski教授和他的研究团队说明了具有广泛合成知识的计算机如何帮助解决这个问题。 研究人员使用前向合成Allchemy平台，从商业规模回收的约200种废弃化学品中创建了大规模的合成网络。 然后，他们从这些网络中收集了数万条通往约300种初级药物和农用化学品的路线，并根据标准的可持续化学指标对这些合成进行算法分级。
47231编辑于 2022-06-10 - 来自专栏智药邦
Nat Commun｜基于化学微扰转录组自监督表征学习的药物筛选
基于表型的药物筛选方法关注化学分子在细胞、组织、整体动物水平上的响应，可以提供对疾病机制的全面理解，在药物研发中发挥重要作用。 化学微扰转录组能够提供对药物作用机制更全面的理解，但数据中固有噪声往往掩盖了真正的扰动信号，从中提取有意义的信息具有挑战性，阻碍了化学微扰转录组在药物筛选中的应用。 该模型从细胞基因表达和分子结构以高精度预测化学微扰转录组，相应的微扰表征在基于配体的虚拟筛选、药物响应预测和基于表型的药物重定向等下游任务中展现出有效性。 （3）TranSiGen表征在各种下游任务中展现有效性，包括：基于配体的虚拟筛选、药物响应预测和基于表型的药物重定向。 下游任务3：基于表型的药物重定向 将化学微扰转录谱与疾病联系起来有助于识别治疗特定疾病的潜在化合物。本节中将TranSiGen整合到基于表型的药物重定向流程，用于筛选治疗胰腺癌的候选化合物。
59410编辑于 2024-07-16 - 来自专栏全栈工程师修炼之路
3-MYSQL优化学习基础
Mysql 编译优化 补充：x86的操作系统由于单进程内存最大4G,所以不管您加多大的内存空间它只使用那么多; 3) 配置文件优化 注意：my.cnf参数优化幅度较少,大部分以架构和SQL语句优化 #建议不要开启访问的日志，占用系统资源较大 innodb_buffer_pool_size=2048MB #一般内存3/4分之一 sort_buffer_size=2M #排序缓存 慢查询记录到认证文件 2.慢查询日志分析工具:mysqldumpslow,mysqlsla(推荐),myprofi,mysql-explain-slow-log,mysqllogfilter; 3. 数据库前端必须加cache例如：memecached,用户登录,商品查询 3. 业务应用使用nosql持久化存储,例如memcached,redis 4. create index index_uid on student(uid); #示例2. alter table student add index index_sage(sage); #示例3.
55920编辑于 2022-09-28 - 来自专栏CreateAMind
强化学习 cartpole_a3c
https://github.com/rlcode/reinforcement-learning/blob/master/2-cartpole/5-a3c/cartpole_a3c.py ? import backend as K # global variables for threading episode = 0 scores = [] EPISODES = 2000 # This is A3C class A3CAgent: def __init__(self, state_size, action_size, env_name): # get size of state and action action_size # get gym environment name self.env_name = env_name # these are hyper parameters for the A3C /save_graph/cartpole_a3c.png") self.save_model('.
38120发布于 2018-07-24 - 来自专栏机器学习算法原理与实践
强化学习(十五) A3C
在强化学习(十四) Actor-Critic中，我们讨论了Actor-Critic的算法流程，但是由于普通的Actor-Critic算法难以收敛，需要一些其他的优化。 之前在强化学习(十四) Actor-Critic中，我们使用了两个不同的网络Actor和Critic。 第三个优化点是Critic评估点的优化，在强化学习(十四) Actor-Critic第2节中，我们讨论了不同的Critic评估点的选择，其中d部分讲到了使用优势函数$A$来做Critic评估点，优势函数 下面我们来总价下A3C的算法流程。 3. A3C算法流程 这里我们对A3C算法流程做一个总结，由于A3C是异步多线程的，我们这里给出任意一个线程的算法流程。 A3C小结 A3C解决了Actor-Critic难以收敛的问题，同时更重要的是，提供了一种通用的异步的并发的强化学习框架，也就是说，这个并发框架不光可以用于A3C，还可以用于其他的强化学习算法。
1.5K10发布于 2019-03-05 - 来自专栏智药邦
Nat Commun｜全球健康药物研发中心微软研究院科学智能中心：通过化学语言模型生成靶向分子的药物设计
生成式药物设计有助于创造出有效对抗致病靶蛋白的化合物。这为在广阔的化学空间中发现新型化合物提供了可能，并促进了创新治疗策略的开发。 的模型，用于编码目标蛋白质的结合口袋；(3) 上下文编码器，用于化合物编码和细化。 为了衡量TamGen的整体性能，研究人员将本文的方法与最近提出的五种方法进行了比较：liGAN、3D-AR（提出的方法没有缩写，因此将其称为3D-AR）、Pocket2Mol、ResGen和TargetDiff 图3 结核病药物生成的 “设计-定义-测试 ”流程图 为加速验证并提升测试效率，研究人员从商业库筛选出159个与TamGen生成化合物相似的市售化合物，其中5个在ClpP1P2肽酶活性实验中显著抑制，且 TamGen是一种高效的人工智能化合物生成方法，能加速药物发现过程并探索更广阔的化学空间。其成功源于三大因素：预训练模型提供的化学知识、有效的结合口袋表示法，以及基于变异自动编码器的上下文解码器。
45510编辑于 2024-11-07 - 来自专栏智药邦
使用AlphaFold3进行合理的药物设计
AlphaFold 3为科学和药物设计带来的希望 对于Isomorphic Labs来说，AlphaFold 3使药物设计人员能够快速准确地预测从未表征过的复合物结构，为药物设计人员提供了一种基础工具， 为了证明AlphaFold 3在基于结构的合理药物设计方面的潜力，Isomorphic的科学家研究了TIM-3，这是一种免疫检查点蛋白，在2021年发表的一篇论文中被确定为癌症免疫疗法的潜在靶点。 通过这个例子，AlphaFold 3证明了它能够准确地从结构上描述药物分子设计的进展。 展望未来 Isomorphic已经在内部项目以及与制药公司的合作中部署了AlphaFold 3的前沿版本。 但AlphaFold 3只是Isomorphic正在研究的众多人工智能突破之一，这些突破是改变药物发现所必需的--结构理解只是其中的一部分。 Isomorphic将继续潜心研究，利用人工智能从第一原理出发，解决化学和生物学领域的下一个前沿基础建模问题。
72110编辑于 2024-05-10 - 来自专栏DrugOne
. | 基于活性悬崖感知强化学习的全新药物设计
针对这一问题，作者提出了活性悬崖感知强化学习框架（ACARL），首次将活性悬崖现象显式整合到AI驱动的分子生成过程中。 实验表明，ACARL在多个靶点蛋白的分子生成任务中显著优于现有方法，为药物发现提供了更精准的设计工具。 背景与挑战 基于AI的全新药物设计通过生成具有特定生物活性的分子，加速了传统药物开发流程。 活性悬崖示例 方法创新 ACARL通过两项核心技术解决了上述问题： 活性悬崖指数（ACI）：定量衡量分子对的SAR不连续性，结合Tanimoto距离和活性差异（如结合亲和力），动态识别活性悬崖化合物； 对比强化学习损失函数 图 3 多目标设计出的分子结合示意图 意义与展望 ACARL首次将SAR领域的活性悬崖知识嵌入AI驱动的分子生成框架，其优势包括： 药理相关性：通过显式建模活性悬崖，生成的分子更可能具备实际药物开发潜力 https://doi.org/10.1186/s13321-025-01006-3
40110编辑于 2025-05-04 - 来自专栏ArrayZoneYour的专栏
TensorFlow强化学习入门（3）——构建仿真环境来进行强化学习
在上一篇文章中，我演示了如何设计一个基于策略的强化学习agent来解决CartPole任务。在本文中，我们将从另一个角度重新审视这个问题——如何构建仿真环境来提升agent在当前环境下的性能。 [Model Network : 建模网络，本文中称为仿真环境] 如果你还没有阅读本系列之前的文章并且还是强化学习的初学者，我推荐你按照顺序来阅读，文末有之前文章的链接。 超参数 learning_rate = 1e-2 # 收益的折算因子 gamma = 0.99 # RMSProp中的衰减因子 decay_rate = 0.99 model_batch_size = 3 policy_batch_size = 3 dimen = 4 # 环境中的维度数 # -------------------------------------------------- # 辅助函数 系列文章（翻译进度）： (0) Q-Learning的查找表实现和神经网络实现 (1) 双臂赌博机 (1.5) — 上下文赌博机 (2) —— 基于策略的Agents (3) —— 构建仿真环境来进行强化学习
5.4K60发布于 2018-02-27 - 来自专栏强化学习系列
强化学习系列（九）--A3C
好久没有更新强化学习这个系列了，今天继续更新下强化学习系列的A3C技术，后面会结合当前最火大模型强化学习训练持续更新此系列。前年...我们学习了强化学习基础知识中的AC和A2C技术。 Actor-Critic（AC）（强化学习系列五）Advantage Actor-Critic(A2C)（强化学习系列六）本文介绍进一步提升A2C的方案Asynchronous Advantage Actor-Critic （A3C）方法。 Methods for Deep Reinforcement Learning》这篇文章提出了A3C的思路：通过创建多个agent，在多个环境实例中并行且异步的执行和学习，充分的利用了计算资源。 #.68x6na7o9https://github.com/princewen/tensorflow_practice/blob/master/RL/Basic-A3C-Demo/A3C.py我正在参与
51220编辑于 2024-05-09 - 来自专栏机器之心
学界 | 从零开始自学设计新型药物，UNC提出结构进化强化学习
前不久，来自北卡罗来纳大学埃谢尔曼药学院的一个团队创造了一种人工智能方法 ReLeaSE，能够从零开始自学设计新型药物分子。近日，该研究已被发表在 Science Advances 上。 ? DOI: 10.1126/sciadv.aap7885 北卡罗来纳大学埃谢尔曼药学院（UNC Eshelman School of Pharmacy）创造的人工智能方法能够从零开始自学设计新型药物分子， 这有望大幅加快新型药物的研发速度。 ReLeaSE 是一种强大的药物虚拟筛选工具，这种计算方法已经被制药业广泛用于确定可用的候选药物。虚拟筛选让科学家可以评估现有的大型化学库，但该方法只对已知的化学物质有效。 基于深度学习和强化学习方法，ReLeaSE集成了两个深度神经网络——生成和预测神经网络，这两个神经网络被单独训练，但都用于生成新的目标化学库。
1.1K20发布于 2018-08-07 - 来自专栏智能生信
. | 面向未来药物化学家的Transformers
药物化学和制药行业以外的人可能不知道，新药研发项目中，每天都会有新产物被制造出来，其目的是发现能够治疗或治愈疾病的新化学实体。 目前，在不断扩大的药物化学合成工具箱中，有几百种不同类型的反应可供选择。 开发这样的工具是一个值得称道的举措，因为接受过有机合成和计算方法培训的化学家的工作描述正在合并到未来药物化学家的定义中。这种合并的过程在过去是有些不平衡的。 虽然有机化学家已经被提供了大量的分子设计工具，但帮助计算化学家进行合成化学的工具较少。为了影响药物化学实验室合成哪些分子，计算化学家需要学会与有机化学家说同一种语言。 未来，药物化学家需要同时精通计算机辅助分子设计和化学合成。 ? 人工智能和机器学习有望在药物发现中发挥关键作用，但也存在一些开放的挑战。当前深度学习方法的一个关键问题是它们需要大量的数据来学习。
67910发布于 2021-03-03
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号