MolPrice:根据市场价值评估分子的合成可访问性

科学领域:

• 计算化学是一种计算化学.
• 机器学习在药物发现中的作用
• 化学信息学 化学信息学

背景情况:

• 机器学习有助于在计算上设计新型分子.
• 现有的合成可访问性工具缺乏成本效益和可购买性评估.
• 当前的方法往往忽视了分子设计中的现实世界的可行性.

研究的目的:

• 介绍MolPrice,一个用于准确和快速分子价格预测的新型模型.
• 通过结合成本效益来增强合成可访问性评分.
• 为了弥合in silico分子设计和实际合成之间的差距.

主要方法:

• 利用自主监督的对比学习来自主生成价格标签.
• 训练的MolPrice可以概括到超出初始训练分布的分子.
• 开发了一个模型,将分子复杂性与预测价格相关联.

主要成果:

• 摩尔普莱斯准确地区分合成复杂的和易于购买的分子.
• 该模型在已建立的合成可访问性基准上展示了竞争性表现.
• 一个虚拟选案例研究表明,MolPrice能够识别来自大型图书馆的可购买分子.

结论:

• 摩尔普莱斯为合成可访问性评估提供了一种成本意识的方法.
• 该模型通过将经济可行性整合到设计中来加速分子发现.
• 对于那些寻求实用性和成本效益的化合物合成的研究人员来说,MolPrice是一个有价值的工具.