使用对接的HIt发现 ENriched by GEnerative Modeling (HIDDEN GEM):一种新的计算工作流程,用于加速超大化学库的虚拟选
Konstantin I Popov1, James Wellnitz1, Travis Maxfield1
1UNC Eshelman School of Pharmacy, University of North Carolina, Chapel Hill, NC, 27599, USA.
Molecular informatics
|October 6, 2023
概括
隐藏的宝石 (Hit发现使用对接丰富的GEnerative建模) 通过整合机器学习和生成化学加速虚拟选. 这种方法有效地从大量的化学图书馆中识别出顶级药物候选者,使用最小的计算资源.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 化学信息学 化学信息学
背景情况:
- 超大型化学图书馆的扩张挑战了传统的虚拟选方法.
- 对于庞大的数据集来说,分子对接是计算密集的.
研究的目的:
- 开发一种用于加速虚拟选的新型计算方法.
- 为了提高效率,并减少来自大型化学图书馆的成功发现的资源需求.
主要方法:
- 机器学习,生成化学和化学相似性搜索的整合.
- 一个工作流程,将初始选与有针对性的分子对接相结合.
- 使用HIDDEN GEM (使用Docking ENriched by GEnerative Modeling进行HIT发现) 的方法.
主要成果:
- 隐藏的宝石显著加快了虚拟选过程.
- 与现有的加速方法相比,实现了最高的丰富系数.
- 通过16个不同的蛋白质点和37亿个分子库,证明了高效率.
结论:
- 隐藏的宝石提供了一个计算效率高的解决方案,用于击中发现.
- 该方法非常通用,与各种对接软件兼容.
- 允许对具有有限计算资源的用户进行有效的选.


