- 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
50640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。
21510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。
935100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。
59730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 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。
9710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。
47031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。
58610编辑于 2024-07-16 - 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。
44410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 ； 灵活性：支持单目标（如结合亲和力）和多目标（如结合亲和力+QED+SA）优化，适配真实药物设计需求。
37110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。
67810发布于 2021-03-03 - 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。
49730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。 相比之下，在同一实验中用作对照的抗疟药物甲氟喹的IC50为0.048μM。相对于训练集中分子的活性分布，两个分子的活性值下降到第94个百分位。 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。
41210编辑于 2022-03-25 - 来自专栏大数据文摘
制药商的银河漫游指南：如何用机器学习帮化学家搜索更好的药物
Illustration by Vasava 大数据文摘作品 作者：Asher Mullard 编译：余志文、小鱼、姜范波 如何使用机器学习和大数据帮助化学家在浩瀚的化学宇宙里搜索更好的药物 2016 在马萨诸塞州马尔堡的公司总部，化学家们被要求以玩游戏的方式看看谁可以发现新的药物。在他们的工作站有数百个化学结构的网格，其中只有十个标有生物效应信息。 他的算法至少可以证明已经掌握了一些化学极客艺术; 比赛中只有一个化学药物专家打败了他的算法。 Exscientia和Sunovion继续合作开发寻找新的精神病药物。 根据化学家估计，可以设计1060种具有药物特征的化合物——就是说，这些小分子的数目，比太阳系中原子的数目还要多。 它们也可以帮助探索那些没有被发现的或原来被认为没有价值的化学领域。 但是许多药物化学家仍然对这种假设持怀疑态度，不相信化学成分的复杂性可以降低到仅仅几行代码。
70430发布于 2018-05-24 - 来自专栏智药邦
Front Pharmacol｜基于图片段分子表示和深度进化学习的多目标药物设计
论文将药物设计建模为一个多目标优化问题，将基于片段的连接树变分自编码器这一深度生成模型融入深度进化学习框架中，取得了良好的实验结果。 主要内容整理如下。 在各种药物设计方案中，基于片段的 (fragment-based) 药物设计是限制搜索空间和更好地利用生物活性化合物的有效方法。 受对给定的蛋白靶标进行基于片段的药物搜索研究和本领域出现的人工智能方法的启发，本文从两方面推进了计算药物设计： 1. 图3使用一个FDA批准的药物作为示例展示了图片段生成过程。 4 结论 药物发现可以建模为一个在广阔搜索空间上的多目标优化问题。本研究提出将基于图片段的深度生成模型应用于深度进化学习过程，并将蛋白质-配体结合亲和力分数作为目标之一。
1.1K20编辑于 2022-11-16 - 来自专栏智药邦
JCIM丨像素卷积神经网络引导的化学空间探索用于基于片段的从头药物发现
尽管RNN在直接预测与目标分子性质相对应的分子结构方面优于PixelCNN，但基于PixelCNN的框架在分子结构的片段生长优化方面明显优于RNN方法，可以很好地应用于基于片段的药物发现任务。 值得说明的是，采样过程可以从-th 字符开始，假设一个长度的SMILES字符串已经被给定，这样框架就可以应用于基于骨架分子的药物发现(fragment-based drug discovery,FBDD 辛醇分配系数(the water−octanol partition coefficient, log P)、合成可及性分数(the synthetic accessibility score, SAS)和药物相似性的定量估计 3.4 RNN与PixelCNN在FBDD中探索化学空间的比较 接着，作者讨论了PixelCNN和RNN在探索FBDD中应用的化学空间的能力方面的差异。 这个目标函数代表了寻找最容易合成的药物分子的粗略估计。有趣的是，结果清楚地表明，PixelCNN在探索化合物空间方面优于RNN。
86710编辑于 2023-02-28 - 来自专栏智药邦
SRI与杨森制药合作，利用Al驱动的自动化学合成系统进行小分子药物发现
根据协议条款，双方组织及其科学家将利用SRI的SynFiniTM平台（一个Al驱动的自动化学合成系统）进行小分子药物发现。 SRI的SynFini平台将人工智能和自动化相结合，以加速小分子药物的发现和开发。 Nathan Collins博士说："通过SRI驱动的项目以及与领先的制药和生物技术战略伙伴越来越多的合作，SynFini平台正在展示利用人工和自动化将复杂的设计与快速合成和测试相结合的能力，以克服传统药物发现的许多限制 在药物发现过程中，通过高度的数据驱动来简化这些步骤，有可能更快、更经济地将新药带给需要它们的病人。
64340编辑于 2022-02-06 - 来自专栏智药邦
中国海洋大学刘昊团队提出RLP模型，通过强化学习生成多肽药物
蛋白质含有未知的氨基酸残基，提取它们用于合成药物肽可以创造具有独特性质的新结构，从而推动药物开发。新型多肽药物分子的计算机辅助设计可以解决传统药物发现过程中成本高、效率低的问题。 然而，以往的研究由于缺乏对氨基酸结构连接关系的重视，在提高多肽药物的生物活性和药物相似性方面存在局限性。 ADMET对肽分子的评估包括基于计算机的物理化学、药代动力学、吸收、分布、代谢、排泄和毒性特性的预测。这些预测方法依赖于基于属性相关靶点的化学相似性和生物活性预测模型。 通过在奖励函数中整合ADMET特性和与目标蛋白的对接分数，A2C强化学习算法可以同时优化多肽设计中的类药物特性和生物活性。 利用强化学习的优势指导最优序列搜索，以生物活性和ADMET性质优化为奖励机制，为多肽设计和优化提供了一种新的方法。本研究通过计算机辅助设计开发新型多肽药物，解决了传统药物研发成本高、效率低的问题。
59810编辑于 2024-10-21 - 来自专栏DrugOne
. | 药物化学家究竟研制了什么？——五十年的回顾
为了更好地理解哪些因素对药物化学实践影响最大，我们推测，研究药物化学家所合成分子特性随时间的变化可能具有启发性。为此，我们分析了《JMC》第1至52卷（1959–2009年）间报道的分子。 自1959年以来，《JMC》一直是学术界和工业界药物化学研究组报告的主要来源。它是药物化学领域被引用最多的期刊，2009年记录的被引用次数超过42,000次。 虽然已有多个研究组对上市药物或近期药物专利中的化合物进行了分析，但我们尚未见到对大量药物化学文献进行类似分析的报告。对药物的分析未必能代表那些未能进入市场的、数量更为庞大的药物化学化合物。 药物化学合成化合物与获批药物的比例估计值差异很大。大型制药公司的药物化学研究组每年合成超过100,000个化合物；然而这些公司每年通常仅能获得少数几个新药的批准。 为了近似估算JMC文章所代表的药物化学产出的比例，我们计算了JMC化合物与Vertex Pharmaceuticals公司在1990年至2010年间药物化学项目产出的相似性。
8920编辑于 2026-03-02
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