초록:

머신러닝 신약 개발 전략은 점점 더 널리 보급되고 있으며 다양한 분야에서 활용될 수 있습니다. Schrödinger Suite에서 DeepAutoQSAR는 활성, ADMET 및 기타 화합물 특성을 예측하기 위한 머신러닝 모델 훈련의 핵심 도구로 사용됩니다. QM 및 FEP와 같은 물리 기반 계산 모델이 입증된 정확도와 폭넓은 적용 범위를 갖추고 있는 동시에, 머신러닝 의 속도와 확장성을 모두 활용하기 위해, 당사는 물리 기반 모델링 기술을 액티브 러닝 프레임워크와 결합했습니다. 이 프레임워크는 액티브 러닝 -Glide, 액티브 러닝-FEP, 액티브 러닝-ABFEP와 같은 가상 스크리닝 방법의 속도를 효과적으로 높일 수 있을 뿐만 아니라, Epik의 pKa 예측이나 QRNN과 같은 기계 학습 기반 힘장 모델의 정확도와 적용 범위를 개선하는 데에도 활용될 수 있습니다. 또한 머신러닝 단백질 구조 예측 방법을 활용하여 구조 기반 약물 설계 의 새로운 표적을 발굴하는 방법에 대해서도 논의할 예정입니다.

발언자:

마르톤 바스 박사, 수석 연구원 II, Schrödinger