APR 27, 2023

利用多种机器学习（ML） 策略结合基于物理理论 模拟，推进药物发现项目管线

演讲嘉宾

詹妮弗·奈特（Jennifer Knight），Schrödinger 总监
卡尔·莱斯温（Karl Leswing），机器学习（ML） 执行总监，联系方式为 Schrödinger

摘要

机器学习（机器学习（ML） , ML）在药物发现领域的应用正迅速发展，涵盖从靶点 发现到分子设计及患者分层等多个方面。然而，缺乏用于训练模型的大规模、高质量数据集，限制了机器学习模型当前的实用性，特别是在早期发现阶段。通过将机器学习策略与基于物理理论 方法相结合，可以克服这些限制，并拓展机器学习模型的应用范围。

在本场演讲中，我们将介绍如何在Schrödinger的治疗学部门内，将机器学习（ML） 的策略与基于物理理论 的建模技术相结合——涵盖从苗头化合物 药物发现到先导化合物 优化 以及药物制剂开发的全过程——并阐述这些方法对正在进行的药物发现项目所产生的影响。

要点：

• 主动学习策略能够帮助用户系统、高效地探索靶点 中的特定化学空间 内容，以及协议优化 ，从而优化项目工作流程并辅助决策。
• LiveDesign 中的自动化机器学习（ML） 引擎使整个团队能够通过模型训练、评审和部署的迭代过程，推动药物设计和优化 流程的进展
• 基于QM-DFT （QRNN）计算训练的深度神经网络，可为计算机辅助晶型多态预测提供指导，从而降低药物制剂的风险。
• 生成式机器学习（ML） 方法能够设计出全新的、高度针对性的化学空间