暂无搜索历史
在药物化学研究中,构效关系(Structure-Activity Relationship,SAR)分析是核心主题之一。随着化合物数据集规模不断扩大,仅凭化学家...
AlphaFold2(AF2)在 CASP14 评估中以压倒性优势超越传统方法,实现了蛋白质结构预测的革命性突破。然而,这一工具在基于结构的药物设计(Struc...
设计 de novo 蛋白结合子已越来越容易,但在合成与实验验证之前如何排序候选,长期依赖经验性启发式(heuristics),缺乏系统比较。本文做了三件事:
新药研发是人类健康事业中成本最高、周期最长、风险最大的科学工程之一。平均而言,一款新药从立项到获批上市需要投入约 26 亿美元、历经 10~15 年,而在初筛阶...
早期药物发现的核心任务是从化学空间中找到能与靶蛋白结合的"苗头化合物"(hit compounds)。当前主流策略包括:
这篇论文聚焦一个基础而深刻的问题:分子内原子间相互作用力(interatomic forces)的本质是什么? 具体而言,研究者试图回答三个相互关联的子问题:
在小分子药物研发流程中,先导化合物优化(Lead Optimization, LO) 阶段的核心目标之一是提升候选分子对靶蛋白的结合亲和力(Binding Af...
近年来,机器学习(ML)在小分子药物发现领域的应用引发了广泛关注与期待。然而,来自牛津大学 Charlotte Deane 课题组的这篇 Perspective...
结构-活性关系(Structure-Activity Relationships, SAR)是药物化学与先导化合物优化的核心方法论,其本质是通过统计或模型方法,...
多肽(Peptide)作为介于小分子药物与大分子生物制剂之间的"第三条路线",近年来在药物研发领域的战略地位急剧上升。2023年,司美格鲁肽(Semagluti...
近年来,深度学习在药物研发领域取得了令人瞩目的进展。与传统机器学习和定量构效关系(QSAR)方法相比,深度神经网络在以下任务中展现出强大能力:
新药研发是人类科技活动中最昂贵、周期最长的工程之一。据统计,一款新药从靶点确认到最终上市,平均需要 10–14 年、耗资逾 10 亿美元。而计算机辅助药物发现(...
近年来,AI蛋白质设计领域论文产出呈爆炸式增长,但绝大多数工作止步于计算层面的评估——模型生成的序列是否真的在实验室中起效,往往语焉不详。这篇综述恰好填补了这一...
蛋白质-配体结合自由能(Binding Free Energy, BFE)是计算机辅助药物设计(CADD)的核心物理量。精准预测 BFE 意味着在实验合成前即可...
药物研发是人类科学史上最艰难的挑战之一。一种候选药物从发现到上市,平均耗时逾十年、花费超过十亿美元,而最终进入临床的药物中,超过 90% 仍以失败告终。失败的两...
如果你关注 AI 在生命科学领域的应用,这篇来自 Phylo 团队的博客是近期值得精读的方法论文章之一。
生命科学正处于一场深刻的范式转变之中。传统药物研发高度依赖动物实验与湿实验室验证,流程漫长、成本高昂、转化效率低下。而随着单细胞测序、空间转录组学与大规模AI算...
新药研发是一项耗时漫长、成本极高的系统工程。化学空间的浩瀚(估计包含 至 个可合成有机分子,乃至多达 个符合 Lipinski 类药五原则的分子)使得对候...
在机器学习与药物设计的交叉领域,研究者往往专注于模型架构的创新、数据集的扩充和基准性能的提升,却鲜少停下来追问一个更根本的问题:
在经典的药物化学工作流程中,研究者通常以 IC₅₀、Kd 或 Ki 作为优化配体结合能力的核心指标。这些数值通过酶学抑制实验或结合竞争实验获得,操作简便、通量较...
暂未填写公司和职称
暂未填写技能专长
暂未填写学校和专业
暂未填写个人网址
暂未填写所在城市