OCT 27, 2022

2022年薛定谔秋季中文生命科学网络讲座 | AutoDesigner：一种通过快速探索大型化学空间来优化先导化合物的从头设计算法

演讲者

段建新博士
研究员

摘要

在药物发现的先导化合物优化阶段，通常涉及数百至数千个化合物的设计、合成和筛选。设计阶段通常采用传统的药物化学方法，同时若具备合适的结构信息，也会应用基于结构的药物设计（SBDD）方法。这种方法的两大主要局限性是：（1）难以快速设计出符合多项项目标准的有效分子，或解决多参数优化（MPO）问题；（2）与庞大的化学空间相比，所探索的分子数量相对较少。为克服这些限制，我们开发了AutoDesigner，一种从头设计的算法。AutoDesigner采用云原生的多阶段搜索算法，进行连续的化学空间探索和筛选。在符合项目标准（如理化性质和活性）的范围内，我们可以探索和优化数百万甚至数十亿个虚拟化合物。该算法仅需单个活性数据和假想结合模式的小分子，非常适合早期数据匮乏的SBDD项目。

药物发现项目中的“化合物筛选”（先导化合物 ）优化 阶段通常涉及数百至数千种化合物的设计、合成和检测。设计工作phase 通常通过传统药物化学方法进行，或在有合适结构信息时采用基于结构的药物设计（SBDD）。 该方法的两大主要局限性在于：（1）难以快速设计出既符合众多项目标准又具有高活性的分子，即多参数优化（MPO）问题（优化 ）；（2）与庞大的分子库（化学空间 ）相比，所探索的分子数量相对较少。为克服这些局限性，我们开发了AutoDesigner——一种基于从头设计 的算法。AutoDesigner采用云原生的多阶段搜索算法，进行多轮化学空间 探索与筛选。 在遵循可定制的项目标准（如理化性质 和potency）的前提下，该算法可对数百万至数十亿个虚拟分子进行探索和优化。此外，该算法仅需一个具有可测亲和力 的配体以及一个推测的结合模型作为起点，因此特别适用于数据有限的SBDD项目早期阶段。