- 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
Sheraz Gul和Alp Sahin概述了一种可加速表观遗传学药物发现的AI方法。 ? 人工智能（AI）正在推动药物发现。其应用的一个目标是将药物发现的临床前阶段从通常的五年缩短到不到一年。 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。 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。 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
所以，对于药物相互作用的预测研究是有重要意义的，不仅能够减少非预期药物相互作用的情况，还能降低药物开发成本，以及优化药物设计过程。 针对这些局限性，近期哈佛大学的Kexin Huang等人提出了CASTER（ChemicAl SubstrucTurE Representation）模型，根据给定药物化学结构预测DDI，并且能对预测提供可解释性 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 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 - 来自专栏杨熹的专栏
强化学习 8: approximate reinforcement learning
人类肯定不是这样学习的，我们有概括能力，所以也想让强化学习算法具有这样的能力，这时就可以用approximate reinforcement learning ? Learning 推荐阅读 历史技术博文链接汇总 http://www.jianshu.com/p/28f02bb59fe5 也许可以找到你想要的： [入门问题][TensorFlow][深度学习][强化学习 要开始连载强化学习系列啦！ 今天开始我们一起来每天 2 分钟，get 强化学习的一个小知识吧！
62110发布于 2018-11-21 - 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 - 来自专栏全栈程序员必看
8. 强化学习之——模仿学习
online iteration，2011】 Inverse RL & GAIL Inverse RL GAIL Connection between IRL & GAIL 改进模仿学习的性能 模仿学习与强化学习结合 作为一项辅助的损失函数 一个有趣的 Case Study—— motion imitation IL 本身存在的问题 总结 ---- 课程大纲 模仿学习介绍 行为克隆 BC 和 DAGGER 算法 逆强化学习 IRL 和 生成对抗模仿学习GAIL 改进模仿学习的性能 把模仿学习和强化学习结合 Introduction & Behavioral Cloning 从最简单的行为克隆方法开始介绍：比较简单的思想就是把策略的学习当做有监督的学习来进行 所以下面我们就想把模仿学习与强化学习结合起来 模仿学习与强化学习结合 模仿学习与强化学习的各自的特点对比 怎么把两者结合起来，既有 Demonstration 又有 Rewards？ 2016 Silver】 ②应用于 Starcraft2【DeepMind工作】 Pretrain and Finetune 的问题： ①在第三步的时候我们之前获得的比较好的 Policy 用强化学习来训练的时候
2K30编辑于 2022-10-02 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. • 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。 五、结语：当“分子网络”遇见“逆向思维” 这项研究通过系统性方法创新，将药物优化从“艺术”推向“科学”——从DC逆向解构优化逻辑，用网络参数量化分子进化路径，以优化子解析修饰策略。 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。
11010编辑于 2026-01-08- 来自专栏量子化学
《量子化学软件基础》习题（8）
REF1中胞嘧啶的CASPT2计算采用了两种不同的活性空间：a.活性空间包含10个电子和8个π轨道（在Cs点群下，8个π轨道的不可约表示都是A’’）；b.活性空间包含14个电子和10个空间轨道（除a中的 8个π轨道外，又加入了两个属于点群Cs的A’不可约表示的孤对轨道n。 仍以处理活性空间CASSCF(10,8) 为例说明输入文件写法。 的计算中此选项需设置为“8 0”（即冻结属于不可约表示A’的8个轨道，它们都是碳、氮、氧的1s2电子）；若都不想设置冻芯近似，则ORCA输入文件需设置关键字NoFrozenCore，而BDF无需为此设置参数 仍以活性空间CASSCF(10,8) 为例说明输入文件写法。
1.3K30编辑于 2022-12-07 - 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。 中国科学院上海药物研究所郑明月课题组提出了基于自监督表征学习的深度生成模型TranSiGen（Transcriptional Signatures Generator），学习化学微扰转录组表征用于药物表型筛选 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。 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 - 来自专栏全栈程序员必看
【强化学习纲要】8 模仿学习「建议收藏」
【强化学习纲要】8 模仿学习 8.1 模仿学习概要 8.2 Behavioral cloning and DAGGER 8.3 Inverse RL and GAIL 8.4 进一步改进模仿学习的模型 8.5 模仿学习和强化学习结合 8.6 Case studies 周博磊《强化学习纲要》 学习笔记 课程资料参见： https://github.com/zhoubolei/introRL. 在强化学习里面是给定了环境，也给定了奖励函数，通过强化学习可以对价值函数以及决策函数进行参数化来优化参数。 右边是逆强化学习。 如果纯粹通过强化学习trial and error的方法，去尝试的话很难学到好的policy。 得到策略网络后，再进一步用强化学习来改进初步得到的策略网络。
1.2K10编辑于 2022-10-02 - 来自专栏探物及理
强化学习笔记8：整合学习和规划
没有模型 从经验中学习，得到价值函数 Model-based 有模型 根据模型规划价值函数 本讲指出解决这类问题的关键在于“前向搜索”和“采样”，通过将基于模拟的前向搜索与各种不依赖模型的强化学习算法结合
1K20发布于 2020-08-31 - 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。 研究人员用三个模块实现了TamGen：(1) 化合物解码器，这是一个类似于GPT的化学语言模型，也是TamGen的核心组件，为在化学空间生成化合物奠定了基础；(2) 蛋白质编码器，这是一个基于Transformer 而生成式药物设计则可以探索广阔的化学空间，估计这个空间包含超过10的60次方个潜在化合物。 这种方法有望发现一些未被充分研究的化合物类别，以及不在现有库中的新型化合物。 另外，即使采用多种虚拟筛选技术，在如此庞大的化学空间中针对不同靶点进行筛选仍需要大量计算资源和时间，同时需考虑模型准确率的影响。 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DrugOne
. | 基于活性悬崖感知强化学习的全新药物设计
传统AI模型往往将活性悬崖化合物视为统计异常值，而未能充分利用其在药物设计中的关键价值。 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 ACARL算法流程 实验结果 ACARL在三个靶点蛋白（5HT1B、5HT2B、ACM2）的测试中表现卓越： 结合亲和力：Top-1和Top-100平均对接评分均优于Reinvent、JT-VAE、GCPN等8种基线方法
40110编辑于 2025-05-04 - 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 - 来自专栏用户6881919的专栏
论文阅读8-----基于强化学习的推荐系统
With the recent prevalence of Reinforcement Learning (RL), there have been tremendous interests in developing RL-based recommender systems.
1.3K30发布于 2021-01-18 - 来自专栏智能生信
使用强化学习和基于图的深度生成模型进行从头合成药物设计
Novo Drug Design Using Reinforcement Learning with Graph-Based Deep Generative 论文摘要 机器学习采用深度生成模型为探索化学空间提供了有效的计算工具 在这里，本文提出了一种新的强化学习方案，对基于图的深度生成模型微调来解决分子设计任务。 本文探索了以下任务:生成大小增大/减小的分子，增加药物相似度，增加生物活性。
50130编辑于 2022-12-29 - 来自专栏DrugOne
. | 利用生成式化学模型设计有效的抗疟药物
为了遏制这种疾病的影响，需要药物组合和一系列新的抗疟药物。在这种情况下，机器学习被证明可能是加速发现和开发新型抗疟药物的关键。 使用计算方法来增强和加速新型活性化合物的设计一直是药物发现的目标。 机器学习的进步，特别是深度神经网络的进步，使得通过这些计算模型可以生成具有理想的物理化学和生物活性特质的化合物结构。许多“生成化学”模型通过SMILES字符串表示分子，这些字符串将分子图形编码为文本。 生成化学模型不断提出新的有效分子的能力是药物化学团队获得信心的关键。 模型的树和图重建平均误差分别为6%和8%，而潜在空间活性模型的预测与实验pIC50的相关性为r2=0.46。均方根误差（RMSE）和平均绝对误差（MAE）分别为0.57和0.43（表1）。 3 总结 作者们的研究显示了生成化学在开发新型抗疟药物方面的潜力。JAEGER方法在其他疾病领域的应用相对简单，目前正在探索中。
41610编辑于 2022-03-25
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