要旨：

創薬における機械学習の手法はますます普及しており、さまざまな分野で活用されています。「Schrödinger 」スイートでは、DeepAutoQSARが、活性、ADMET、およびその他の化合物 の特性を予測するための機械学習モデルの学習における主要なツールとして機能します。QMやFEPなどの物理ベースの計算モデルが持つ、実証済みの精度と幅広い適用範囲を、機械学習の速度とスケールと併せて活用するため、当社は物理ベースのモデリング技術とアクティブラーニングのフレームワークを統合しました。 このフレームワークは、Active Learning（Glide ）、Active Learning-FEP、Active Learning-ABFEPといったバーチャルスクリーニング手法を効果的に高速化したり、EpikにおけるpKa 予測やQRNNなどの機械学習による力場といったモデルの精度や適用範囲を向上させたりすることができます。また、機械学習を用いたタンパク質構造 予測手法を活用し、構造 に基づく創薬における新たなターゲットを開拓する方法についても議論します。

登壇者：

マートン・ヴァッス博士、主任研究員II、Schrödinger