アクティブ・ラーニングの活用例
機械学習を活用して発見を加速させる
広大な領域にわたる発見を拡大する化合物空間
「Active Learning Applications」は、物理ベースのデータ（FEP+ の予測親和性やGlide のドッキングスコアなど）を用いて機械学習（ML）モデルを学習させる強力なツールであり、ライブラリ の全データセットから反復的にサンプリングされたデータを使用します。
学習済みのモデルは、新しい分子に対する予測を迅速に生成し、超大規模な化合物ライブラリの中からスコアが最も高い化合物を同定 することができ、そのコストと処理速度は総当たり法に比べてごくわずかです。
創薬分野における主な応用例
アクティブ・ラーニングGlide
超大規模ライブラリから有望なヒット化合物を発見する
Glide のドッキング機能と最先端の機械学習モデルを組み合わせることで、数十億もの化合物を従来の数分の1の時間でスクリーニングできます。アクティブラーニングを活用すれば、Glide を用いて超大規模ライブラリを網羅的にドッキングした場合に見つかるであろう上位ヒットの約70％を、わずか0.1％のコストで再現できます。
アクティブ・ラーニングFEP+
リード化合物の最適化における多様な化合物空間 を探求する
アクティブラーニング（FEP+ ）を活用し、複数の仮説に対して同時に、数万から数十万もの候補化合物を探索することで、活性 を維持または向上させつつ、他の設計目標も達成できる化合物を迅速に同定 します。
FEP+ プロトコルビルダー
完全に自動化されたワークフローにより、FEP+ の活用を促進し、難易度の高いシステムへの対応を効率化します
デフォルト設定では十分な性能が得られないシステムに対して、正確なFEP+ プロトコルを迅速に生成します。「FEP+ Protocol Builder」は、アクティブラーニングのワークフローを用いてプロトコルパラメータ空間を反復的に探索し、正確なFEP+ プロトコルを構築します。これにより、研究者の時間を節約し、FEP+ を正常に有効化できる可能性を高めます。
詳細はこちらアクティブ・ラーニング計算機
Glide (すべての化合物をドッキング)
日
のコストを計算する
能動的学習Glide
もっと速く
日
のコストを計算する
化合物について
プロジェクトの数値を入力して（ボックスに打ち込むか、スライダーを使用してください）、計算時間とコストを比較してください。
*推定される顧客の演算コストのみです（CPU 1時間あたり0.06ドル、GPU 1時間あたり0.35ドルを基準としています）。AL-Learningの推奨ハードウェアについては、Glide をご覧ください。
ライセンス費用は含まれていません。お見積もりについては、
までお問い合わせください。本試算では、最良のリガンド100万個が最終モデルとドッキングされると仮定しています。
デ・ノボ設計のワークフロー
Schrödingerの「De Novo Design Workflow」は、超大規模な化合物空間 の探索および精選を行うための、完全に統合されたクラウドベースの設計システムです。
この技術は、ヒット分子やリードシリーズを起点として、複数の化合物 列挙戦略と高度なフィルタリングカスケード（AutoDesigner）、および自由エネルギー計算を用いた厳密な活性 スコアリング（Active LearningFEP+ ）を組み合わせることで、プロジェクトの主要な基準を満たし、かつ合成が可能な分子を特定します。
注目のウェビナー
ドキュメントとチュートリアル
Schrödingerのソフトウェアに関するよくある質問への回答や、その活用におけるベストプラクティスをご確認ください。
出版物
関連する応用分野において、Schrödinger 技術を採用した査読付き論文の一覧をご覧ください。