暂无搜索历史
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...
药物发现中的苗头化合物(Hit Compound)筛选依赖于化合物库的质量与规模。历史上,高通量筛选(HTS)库通常包含 ~ 个化合物;进入 2010 年代中期...
近年来,AI技术以前所未有的速度渗透进制药研发的各个环节——从靶标发现、虚拟筛选,到分子生成、ADME性质预测。大量资本与人才涌入,"AI原生"(AI-nati...
在现代药物发现中,约80%的人类蛋白质组被认为是"不可成药"的。这一数字意味着,绝大多数潜在治疗靶点至今仍是禁区。然而,随着技术革新,这一边界正在被不断突破。
AlphaFold3、Boltz-1、Chai-1……近年一批基于深度学习的"全原子共折叠"模型横空出世,从蛋白质序列直接预测蛋白–小分子复合物结构,令药物发现...
在公开基准上,AI 方法表现亮眼,但在真实药物发现的全前瞻性场景(de novo 分子、分布外化学结构)中,物理自由能计算仍不可替代——AI 的排序能力几近崩溃...
AlphaFold 系列模型的出现是结构生物学的里程碑事件。然而,随着应用场景从单蛋白质折叠拓展到更复杂的下游任务——高通量虚拟筛选(virtual scre...
过去五年,大语言模型(Large Language Models, LLMs)从 NLP 领域溢出,席卷了蛋白质设计、基因组学、药物发现、化学合成等几乎所有分子...
过去数年,基于结构的药物发现领域迎来了以AlphaFold为代表的AI浪潮。从蛋白质结构预测,到分子对接打分,再到从头分子生成,各类方法层出不穷。然而,一个核心...
过去十年,生成式模型在分子设计领域取得了令人瞩目的进展。无论是基于图神经网络的分子图生成,还是基于 Transformer 的 SMILES 序列生成,模型都能...
表型药物发现(Phenotypic Drug Discovery, PDD)通过直接观察化合物对活体系统的效应来筛选候选药物,无需预先明确分子靶点。随着高通量生...
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