AnoChem:基于机器学习模型的化学结构异常的预测
Changdai Gu1,2, Woo Dae Jang3,4, Kwang-Seok Oh3,4
1Artificial Intelligence Laboratory, Oncocross Co., Ltd., Saechang-ro, Mapo-gu, Seoul 04168, Republic of Korea.
Computational and structural biotechnology journal
|May 29, 2024
概括
AnoChem是一个新的深度学习框架,用于评估药物发现产生的分子的化学现实性. 它有助于识别现实的化合物,提高 * de novo * 药物设计的效率.
科学领域:
- 计算化学计算化学
- 药物发现 药物发现 药物发现
- 化学中的人工智能.
背景情况:
- *De novo*药物设计旨在有效地发现新型化合物.
- 生成型模型经常产生不可合成或不现实的分子.
- 准确评估产生的化学结构对于药物设计至关重要.
研究的目的:
- 介绍AnoChem,这是一个深度学习框架,用于评估生成分子的现实性.
- 评估使用AnoChem的生成模型的性能.
- 为 *de novo* 药物设计提供可靠的工具.
主要方法:
- 开发了一个深度学习计算框架,名为AnoChem.
- 训练有素的AnoChem可以区分真实和生成的分子.
- 通过使用接收器操作特征曲线 (AUC) 下的面积来评估AnoChem的性能.
- 将AnoChem与其他指标比较,例如SAScore和Fréchet ChemNet距离 (FCD).
主要成果:
- 在区分真实与生成的分子方面,AnoChem获得了0.900的AUC得分.
- 亚诺化学与SAScore和FCD指标有很强的相关性.
- 该框架有效验证了各种生成模型的性能.
结论:
- AnoChem是一种可靠的计算工具,用于评估生成分子的化学现实性.
- 这种框架可以通过过不切实际的化合物,显著帮助 *de novo* 药物设计.
- AnoChem增强了药物发现的生成模型的开发和评估.
相关概念视频
02:00Molecular Models
38.2K
Physical models representing molecular architectures of chemical compounds play essential roles in understanding chemistry. The use of molecular models makes it easier to visualize the structures and shapes of atoms and molecules.
38.2K
02:27Predicting Molecular Geometry
34.3K
VSEPR Theory for Determination of Electron Pair Geometries
34.3K
01:23Mechanistic Models: Compartment Models in Individual and Population Analysis
37
Mechanistic models are utilized in individual analysis using single-source data, but imperfections arise due to data collection errors, preventing perfect prediction of observed data. The mathematical equation involves known values (Xi), observed concentrations (Ci), measurement errors (εi), model parameters (ϕj), and the related function (ƒi) for i number of values. Different least-squares metrics quantify differences between predicted and observed values. The ordinary least...
37