首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

我正在生成一个程序,通过为用户提供值来提供有关lipiniski规则的信息(对于类似药物的分子)

对于类似药物的分子,利平斯基规则(Lipinski's Rule)是一种常用的药物设计准则,用于预测分子的药物性质和药代动力学特性。利平斯基规则主要包括以下四个方面:

  1. 分子的分子量(Molecular Weight)应小于500。这是因为较大的分子量可能导致药物在体内吸收、分布、代谢和排泄方面出现问题。
  2. 分子的脂溶性(LogP)应小于5。脂溶性是指分子在脂质体内的溶解度,较高的脂溶性可能导致药物在体内过度蓄积或难以被排泄。
  3. 分子的氢键受体数(Hydrogen Bond Acceptors)应小于10。氢键受体数较多可能导致分子在体内与其他分子发生过多的相互作用,影响药物的活性和选择性。
  4. 分子的氢键供体数(Hydrogen Bond Donors)应小于5。氢键供体数较多可能导致分子在体内与其他分子发生过多的相互作用,影响药物的活性和选择性。

利平斯基规则的应用场景主要是在药物设计和药物筛选过程中,通过评估分子的物理化学性质,预测药物的吸收、分布、代谢和排泄等性质,从而提高药物的研发效率和成功率。

腾讯云相关产品中,与药物研发和分子模拟相关的产品包括:

  1. 腾讯云分子对接(https://cloud.tencent.com/product/mdock):提供分子对接服务,用于预测分子之间的相互作用和药物靶点的筛选。
  2. 腾讯云生物信息分析平台(https://cloud.tencent.com/product/bioinfo):提供生物信息学分析工具和服务,可用于分子序列分析、蛋白质结构预测等。
  3. 腾讯云人工智能平台(https://cloud.tencent.com/product/ai):提供人工智能相关的工具和服务,可用于药物分子的智能设计和优化。

通过利用腾讯云的相关产品,研究人员可以更高效地进行药物研发和分子模拟工作,加速药物的发现和开发过程。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

  • ICML 2024 | 具有动态目标感知片段的药物发现

    今天为大家介绍的是来自Sung Ju Hwang团队的一篇论文。基于片段的药物发现是一种在广阔的化学空间中发现药物候选物的有效策略,并已广泛应用于分子生成模型。然而,许多现有的片段提取方法在这些模型中没有考虑目标化学性质或者依赖于启发式规则,现有的基于片段的生成模型也无法在生成过程中使用新发现的目标导向片段更新片段词汇表。为此,作者提出了一种用于药物发现的分子生成框架,称为目标导向片段提取、组装和修改(GEAM)。GEAM由三个模块组成,每个模块分别负责目标导向片段提取、片段组装和片段修改。片段提取模块利用信息瓶颈原理识别对所需目标性质有贡献的重要片段,从而构建一个有效的目标导向片段词汇表。此外,GEAM能够通过片段修改模块探索初始词汇表以外的片段,并通过动态目标导向词汇表更新进一步增强探索能力。作者通过各种药物发现任务的实验表明,GEAM能够通过三个模块的生成循环有效地发现药物候选物。作者的代码可以在https://github.com/SeulLee05/GEAM获取。

    01

    Nat. Rev. Drug Discov. | 定量构效关系(QSAR)建模和深度学习在药物发现中的应用

    今天为大家介绍的是来自Artem Cherkasov团队的一篇综述。定量构效关系(QSAR)建模是60年前提出的一种方法,并广泛应用于计算机辅助药物设计中。近年来,人工智能技术(尤其是深度学习)、分子数据库的迅速增长和计算能力的显著提升,共同促进了一个新领域的出现,作者称之为“深度QSAR”。自深度QSAR在小分子药物发现领域的首次应用已有十年,这篇综述描述了这一领域的关键进展,包括在分子设计中应用深度生成和强化学习方法、用于合成规划的深度学习模型,以及在基于结构的虚拟筛选中应用深度QSAR模型。文章还关注了量子计算的出现,这一技术有望进一步加速深度QSAR应用,并强调了开源和民主化资源在支持计算机辅助药物设计中的必要性。

    01

    CIKM 2021 | 基于IPCA的多属性分子优化

    今天给大家介绍以色列理工学院Kira Radinsky课题组发表在CIKM会议上的一篇文章“Multi-Property Molecular Optimization using an Integrated Poly-Cycle Architecture”。分子先导优化是药物发现的一项重要任务,重点是生成类似于候选药物但具有增强属性的分子。大多数先前的工作都集中在优化单个属性上。然而,在实际环境中,作者希望产生满足多个约束条件的分子,例如,效力和安全性。同时优化这些属性是困难的,主要是由于缺乏满足所有约束的训练样本。作者在文章中提出了一种基于集成多循环架构(IPCA)的多属性分子优化新方法,该架构分别学习每个属性优化的转换,同时限制所有转换之间的潜在嵌入空间,能生成同时优化多个属性的分子。同时,作者提出了一种新的损失函数,它平衡了单独的转换并稳定了优化过程。我们评估了优化两个属性——多巴胺受体(DRD2)和药物相似性(QED)的方法,结果表明基于IPCA的多属性分子优化方法优于之前的先进方法,尤其是当满足所有约束且训练样本稀疏的情况。

    02

    J. Chem. Inf. Model. | 基于物理信息的类药物分子构象生成模型

    今天为大家介绍的是来自David C. Williams团队的一篇论文。作者提出了一种基于扩散的构象生成器模型。该模型侧重于化学键结构的再现,并从传统的经典力场中选取相关术语进行构建,以确保物理相关的表征。作者利用深度学习技术从训练集中推断原子类型和几何参数,通过利用基于扩散的生成技术的最新进展,实现构象采样。通过在大规模、多样化的类药分子合成数据集上进行训练,这些分子使用半经验的GFN2-xTB方法进行优化,达到了较高的键合参数精度,超过了传统的基于知识的方法。结果也与蛋白质数据库和剑桥结构数据库中的实验结构进行了比较。

    01

    J. Chem. Inf. Model. | 基于Transformer的分子生成模型用于抗病毒药物设计

    由于简化分子输入线入系统(SMILES)面向分子的原子级表示,并且在人类可读性和可编辑性方面不友好,然而,IUPAC是最接近自然语言的,并且在人类可读性和分子编辑方面非常友好,我们可以操作IUPAC来生成相应的新分子并产生适合编程的SMILES形式的分子。此外,抗病毒药物设计,特别是基于类似物的药物设计,更适合直接从IUPAC的功能团水平进行编辑和设计,而不是从SMILES的原子级水平进行设计,因为设计类似物仅涉及改变R基团,更接近化学家基于知识的分子设计。在此,我们提出了一种新颖的数据驱动的自监督预训练生成模型,称为“TransAntivirus”,以进行选择性替换编辑,并将有机分子转化为设计抗病毒候选类似物的所需性质。

    05

    学界 | 从零开始自学设计新型药物,UNC提出结构进化强化学习

    生成具备期望属性的新型化合物 SMILES 字符串的深度强化学习算法工作流程。(A) 生成 Stack-RNN 的训练步。(B) 生成 Stack-RNN 的生成器步骤。在训练过程中,输入 token 是一个当前处理的简化分子线性输入系统(SMILES)字符串(来自训练集)中的一个字符。该模型根据前缀(prefix)输出下一个字符的概率向量 pΘ(a_t|s_t − 1)。参数 Θ 的向量通过交叉熵损失函数最小化进行优化。在生成器步骤中,输入 token 是前一步生成的字符。然后从分布 pΘ(a_t| s_t − 1) 中随机采样字符 a_t。(C) 生成新型化合物的强化学习系统的一般流程。(D) 预测模型机制。该模型将 SMILES 字符串作为输入,然后提供一个实数(即估计属性值)作为输出。该模型的参数使用 l2 平方损失函数最小化进行训练。Credit: Science Advances (2018). DOI: 10.1126/sciadv.aap7885

    02

    J. Chem. Inf. Model. | 基于片段的药物设计和化合物结合评估的网络应用程序

    今天为大家介绍的是来自John L. Kulp, III团队的一篇论文。基于片段的药物设计利用关于小化学片段如何以及以多大强度与蛋白质结合的数据,以构建新的药物分子。在过去的十年中,作者已经成功地在数十个临床前药物项目中使用了来自热力学的蒙特卡洛片段-蛋白结合模拟的片段数据。然而,由于模拟和设计工具的成本和复杂性,这种方法尚未为更广泛的研究社区所使用。作者开发了一个名为BMaps的网络应用程序,以大大简化的用户界面使基于片段的药物设计广泛可用。BMaps提供了对一个大型存储库(>550个)的蛋白质和数百个预计算片段地图、可药用热点和高质量水分布图的访问。用户还可以使用自己的结构或来自ProteinBank和AlphaFold DB的结构。BMaps在一个非常易于使用和自动化的网络应用程序中将传统工具与基于片段的设计相结合。

    01

    ICML 2022 | LIMO: 一种快速生成靶向分子的新方法

    今天给大家介绍来自美国加州大学团队发表在ICML2022上的文章。该论文提出了一种能够加快分子生成速度的LIMO模型。LIMO采用了变异自动编码器生成分子的的潜在表示,并且通过网络进行分子的属性预测,以实现更快的基于梯度的分子属性反向优化。综合实验表明,LIMO在基准任务上表现出竞争性,在生成具有高结合力的类药化合物的新任务上明显优于当前最先进的技术,并对两个蛋白质目标的结合力达到纳摩尔范围。作者利用更精确的基于分子动力学的绝对结合自由能计算,展示了生成的分子基于对接的结果,并表明模型生成的一个类药物化合物对人类雌激素受体的预测K D值(结合亲和力的度量值)远超过了早期的典型候选药物和大多数FDA批准的药物对其各自目标的亲和力。

    03

    arXiv|使用深度生成模型在3D空间上生成类药分子

    今天给大家介绍的是北京大学来鲁华课题组在arXiv上挂出的预印论文《Learning to design drug-like molecules in three-dimensional space using deep generative models》。近年来,分子图的深度生成模型在药物设计领域受到了越来越多的关注。目前已经开发了多种模型来生成拓扑结构,但在产生三维结构方面的探索仍然有限。现有的方法要么关注于低分子量化合物而不考虑药物相似性,要么利用原子密度图来间接生成三维结构。在这项工作中,作者介绍了配体神经网络(L-Net),一种新的图生成模型,用于设计具有高质量三维结构的类药分子。L-Net直接输出分子(包括氢原子)的拓扑和三维结构,而不需要额外的原子放置或键序推理算法。实验结果表明,L-Net能够产生化学正确、构象有效的类药分子。最后,为了证明其在基于结构的分子设计中的潜力,作者将L-Net与MCTS结合,并测试其产生靶向ABL1激酶的潜在抑制剂的能力。

    02

    使用图生成多任务模型缩小基于靶标和基于细胞的药物发现之间的差异

    本文介绍的是由中国科学院深圳先进技术研究所的Fan Hu、Dongqi Wang等人发表在arXiv上的预印文章《Bridging the gap between target-based and cell-based drug discovery with a graph generative multi-task model》。作者提出了一种基于图的多任务深度学习模型(MATIC)来识别同时具有靶标抑制和细胞活性的化合物。在SARS-CoV-2 数据集上,MATIC模型比传统方法在筛选体内有效化合物方面更具优势。作者探索了模型的可解释性,发现靶标抑制(体外)或细胞活性(体内)任务学习的特征与分子性质相关性和原子功能存在差异。基于这些发现,作者利用基于蒙特卡洛算法的强化学习模型生成具有体外和体内功效的新型多属性化合物。

    01

    Nat. Mach. Intell. | Reusability report: 利用条件循环神经网络设计有机光电分子

    今天给大家介绍美国麻省理工学院材料科学与工程系的Somesh Mohapatra, Tzuhsiung Yang & Rafael Gómez-Bombarelli在Nature Machine Intelligence上发表的一篇论文"Reusability report: Designing organic photoelectronic molecules with descriptor conditional recurrent neural networks"。该研究主要基于Esben Jannik Bjerrum及其同事在2020年5月18日发表在Nature Machine Intelligence上的一篇论文” Direct steering of de novo molecular generation with descriptor conditional recurrent neural networks”,Bjerrum及其同事提出了一个基于条件递归神经网络(cRNNs)的生成框架,用于药物设计的背景下生成特定性质的分子。Rafael Gómez-Bombarelli及其同事将该方法复制到一个不相关的化学空间上,通过设计训练数据之外属性的有机光电子分子(OPMs),生成具有接近目标值的连续属性的有机光电分子。

    05

    Nat. Rev. Chem. | 药物发现中的分子变色龙

    今天为大家介绍的是来自Jan Kihlberg团队的一篇论文。分子变色龙具有一种灵活性,使它们能够根据环境的属性动态地遮蔽或暴露极性功能团。尽管分子变色龙的概念早在1970年就已引入,但自2010年代以来,随着药物发现越来越多地关注新的化学方式,对它们的兴趣显著增长。这些新的化学方式包括环状肽、大环和蛋白水解靶向嵌合体,它们都位于远离传统小分子药物的化学空间。药物的口服吸收需要细胞渗透性和水溶性。将这些属性以及强效的靶标结合引入到更大的新方式中,比对传统小分子药物来说是一个更加艰巨的任务。变色龙适应不同环境的能力可能对成功至关重要。

    01
    领券