相关实验视频
Updated: Jul 22, 2025

Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
PREFER:用于分子发现的新预测建模框架
Jessica Lanini1, Gianluca Santarossa1, Finton Sirockin1
1Novartis Institutes for BioMedical Research, Novartis Pharma AG, Novartis Campus, 4002 Basel, Switzerland.
我们开发了PREFER,这是一个用于化学信息学机器学习的Python框架. PREFER允许对分子表示和模型进行可靠的比较,以加速药物发现.
科学领域:
- 化学信息学 化学信息学
- 计算化学计算化学
- 机器学习 机器学习
背景情况:
- 在化学信息学中,机器学习和深度学习对于预测分子性质和优先考虑化合物至关重要.
- 由于不同的框架和设置,评估和比较不同的机器学习模型和分子表示具有挑战性.
研究的目的:
- 引入预测建模FramEwoRk用于分子发现 (PREFER),一个基于Python的框架.
- 为了促进各种分子表示和机器学习模型的比较.
- 解决化学信息学中可重复和可比的评估需求.
主要方法:
- 使用Python (3.7.7) 和AutoSklearn (0.14.7) 开发了PREFER.
- 设计的PREFER允许在不同的分子表示和机器学习模型之间进行直接比较.
- 在各种公共和内部数据集上测试了框架性能.
主要成果:
- 证明了框架能够比较表示-模型组合的能力.
- 展示了各种数据集的示例用例和结果.
- 提供了关于将PREFER应用于小数据集的见解.
结论:
- 在分子发现中,PREFER提供了一种标准化的方法来评估机器学习模型.
- 该框架提高了化学信息学研究的可复制性和可比性.
- PREFER在GitHub上免费提供,促进开放科学和协作.
更多相关视频
08:49Incorporating Target Protein Structure Flexibility and Dynamics in Computational Drug Discovery Using Ensemble-Based Docking Analysis
Published on: June 20, 2025
10:29Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
相关概念视频
Molecular Models
Drug Discovery: Overview
Predicting Molecular Geometry
Applications of Molecular Taxonomy
Predicting Reaction Outcomes
Modern Molecular Taxonomy