NOV 19, 2024
Schrödinger デジタル創薬セミナー 14:
Advancements in machine learning enhanced in silico design: Impact on a pipeline of drug discovery programs
分子特性のシミュレーションは、物理ベースのアプローチを使用することで、構造と特性の関係に関する洞察を提供し、新薬の設計を支援する分野で長らく成功を収めてきました。近年では、AIや機械学習（ML）が物理ベースのモデリング技術と組み合わさり、革新の加速に大いに貢献しています。物理ベースのモデリングの精度と一般化能力が、AI/MLモデルのパフォーマンスを向上させ、データが少ない領域でも効果的に使用できるようにしています。逆に、AI/MLのスピードと柔軟性は、物理ベースのモデルが抱える時間的・空間的な限界を克服する手助けをし、予測精度と計算効率の両方を最適化する相乗効果を生み出します。
このウェビナーでは、機械学習を活用して創薬プログラムを推進する、以下の応用例について議論します。
- FEP+を使用したアクティブラーニングによる、大規模なインシリコフラグメントスクリーニングでのヒット探索
- インテリジェントな分子コア設計のためのde novoデザインワークフローの適用
- インタラクティブなMLダッシュボードを用いたリード最適化におけるADMETプロファイルの強化のための実験データの活用
Our Speaker
Karl Leswing
Vice President Machine Learning, Schrödinger
Karl Leswing is the Vice President for Machine Learning at Schrödinger. In this role he oversees the research and execution of machine learning applications for Schrödinger’s digital chemistry platform. In 2017 he was a visiting researcher at the Pande Lab working on using deep learning techniques for drug discovery. During that time he co-authored MoleculeNet, a benchmarking paper analyzing machine learning techniques for chemoinformatics. Karl received his undergraduate degree from the University of Virginia, and a Master’s in machine learning from Georgia Tech.