DLEPS(灵素): 基于深度学习的药效预测系统(核心领先技术)
基于靶点的药物研发在多种疾病中都取得了很好的成果。然而,依旧有许多疾病的药物设计缺乏明确的靶点。特定疾病的基因特征可以从科研人员对转录组的差异表达基因(DEGs)分析中得出。揭示小分子化合物与基因特征之间的关系将为我们提供有效的线索和潜在的靶点。
通过对疾病的生物学数据和组学数据的综合研究,我们开发了DLEPS来揭示小分子化合物与基因特征之间隐藏的联系。
深度神经网络具有无限的能力来拟合小分子的海量数据集,从而将计算出的连接关系外推到大量的虚拟分子中。
InfiniteBind: 基于配体组合的小分子设计
我们首先使用多种机器学习方法结合多种分子指纹来预测新分子的特定生物活性。之后,这些小分子被深度神经网络提取特征,即通过变分自动编码器在高维空间中进行编码。
我们在这样的高维空间中进行蒙特卡洛采样来逐步产生活性更高的分子。具体而言,这一过程中特定的分类器被用来引导采样过程中模拟退火算法的变化方向从而使得新生成的分子具有更高的分类概率。我们已将这种技术应用于NaV1.7抑制剂的结构优化任务中,并进行了的验证。
InfiniteDock: 由强化学习驱动的智能分子对接系统
强效分子对接筛选是当前发现分子靶标的方法之一。最有效的系统能够为一个目标靶点采集大约1000万个小分子。但是,这样一个数字只是整个虚拟分子中一个很小的子集。强化学习为我们提供了一个有效的引导样本路径,从而在编码空间中获得更好的命中率。
MetaRetro: 一个天然产物的逆向合成预测系统
寻找合成天然产物的酶催化途径。深度学习可以帮助我们找到合成特定化合物的最合理的途径。我们的超立方体收缩算法揭示了酶活性和通量再分布之间的因果关系。综上所述,结合这两个平台可以找到设计策略和优化规则。