深度学习的应用用于研究NMDA受体

科学领域:

• 化学中的人工智能.
• 药物发现和开发 药物发现和开发
• 计算化学的计算化学

背景情况:

• 人工智能 (AI) 已经取得了显著的进步,为药物开发提供了新的机会.
• 大型预训练模型在特定任务中表现出人类水平的表现.
• 人工智能工具的有限可访问性阻碍了非专家的实际应用.

研究的目的:

• 介绍三种可访问的在线工具,用于开发抗中枢神经系统 (CNS) 疾病的药物.
• 为了利用Uni-Mol大型化学预训练模型.
• 为了促进针对NMDA受体的药物开发.

主要方法:

• 开发了基于Uni-Mol大型预训练模型的三个在线工具.
• 包括一个血脑屏障 (BBB) 透性预测工具.
• 集成了一种定量结构-活性关系 (QSAR) 分析系统和基于人工智能的分子生成模型 (VD-gen).

主要成果:

• 为复杂的AI模型创建了用户友好的界面.
• 启用了对候选药物的BBB透性的预测.
• 提供了QSAR分析和de novo分子生成的能力.

结论:

• 开发的工具弥合了人工智能技术和NMDAR专家之间的差距.
• 这些资源加速了对中枢神经系统疾病的快速和合理的药物开发.
• 可访问的人工智能平台支持有效发现新疗法.