AI 药物筛选

虚拟筛选通常依赖于计算机模拟和分子对接技术，通过计算分子间的相互作用来预测化合物的生物活性。人工智能 (Artificial Intelligence，AI) 药物筛选是一种结合 AI 技术与计算化学的高通量筛选方法，广泛应用于蛋白结构预测、新药研发和分子设计与优化等领域。其主要目的是利用机器学习 (Machine Learning，ML) 算法分析大量数据，从中学习规律，生成 AI 打分函数，以此提高筛选效率，加速候选药物的发现过程。

MCE AI 药物筛选平台综合使用分子对接、深度学习、分子动力学模拟等方法，借助高性能服务器，能够在最短数小时内完成数千万分子的筛选，真正实现快速、高效！

图 1. AI 技术在药物发现中的应用

基于靶点的 AI 筛选

基于靶点的 AI 筛选通过机器学习中的深度神经网络、随机森林等算法及分子对接等技术，构建化合物化学结构与生物活性之间的关系模型，实现对药物化合物作用机制的快速预测。基于深度学习 (Deep Learning，DL) 模型预测蛋白质与小分子结合的 AI 筛选流程如下：

图 2. 基于深度学习模型预测蛋白和小分子结合的流程图

数据收集

•基于 PDBbind、ChEMBL、RCSB PDB 等公开数据集收集蛋白质结构数据以及小分子化合物数据 (结构、生物活性信息) 等，作为模型的输入。

特征提取

•将原始数据转换为适合深度学习模型处理的格式。

• 例如，可以使用分子指纹 (molecular fingerprints) 来表示小分子的结构，而蛋白质的特征则可以通过其氨基酸序列或三维结构进行编码。

模型训练

•常用的深度学习模型主要包括卷积神经网络 (CNN)、图神经网络 (GNN)、Transformer 模型等。

•这些模型通过对比已知的蛋白质-小分子结合实例，学习、识别潜在的结合模式。

•在训练过程中，模型会不断优化参数，以提高预测的准确性和可靠性。

活性预测

• 将待筛选的小分子输入训练好的深度学习模型，以预测其与靶标蛋白的结合能力。

• 根据预测结果对小分子进行排序，选择前几名作为潜在候选药物进行实验验证。

基于配体的 AI 筛选

在基于配体的 AI 筛选中，研究人员可以从已知的化合物库中寻找具有所需性质的化合物，或者将已知的活性分子作为训练集，使用 AI 工具总结其特征并生成相似的新分子。AI 生成模型可以在更广泛的化学空间中搜索新分子，设计出具有特定药物特性的候选分子，从而提高药物研发的效率和成功率。

图 3. 借助深度学习算法，实现超大规模化学空间探索：图神经网络 (D-MPNN) 计算预测超过 1 亿个分子的化学性质。

服务优势

• 提供基于配体/受体的 AI 筛选、分子动力学模拟、结构优化及化合物合成的一体化服务

• 拥有成熟的化学合成能力及多种复杂化学合成技术

• 配备高性能的计算机服务器，确保快速高效的数据处理

• 拥有专业的分子模拟和药物设计团队，具备丰富的行业经验

• 实施高度标准的数据隐私管理，确保信息安全

服务咨询

MCE AI 药物筛选平台旨在通过先进的算法和计算能力，快速识别潜在的药物候选分子，从而大幅提升药物研发的效率和成功率。进一步了解服务价格或技术详情等信息，请发邮件至 sales@MedChemExpress.cn 或直接联系 MCE 的销售人员。

品牌介绍:

• MCE (MedChemExpress) 拥有200 多种全球独家化合物库，我们致力于为全球科研客户提供前沿最全的高品质小分子活性化合物；

• 50,000 多种高选择性抑制剂、激动剂涉及各热门信号通路及疾病领域；

• 产品种类涵盖各种重组蛋白，多肽，常用试剂盒 ，更有 PROTAC、ADC 等特色产品，广泛应用于新药研发、生命科学等科研项目；

• 提供虚拟筛选，离子通道筛选，代谢组学分析检测分析，药物筛选等专业技术服务；