DeepAutoQSAR

예측 분석( 머신러닝 ) 모델의 훈련 및 적용을 위한 자동화되고 확장 가능한 솔루션

최첨단 기법을 활용하여 고성능 머신러닝 모델을 구축하세요

DeepAutoQSAR는 사용자가 화학 구조를 기반으로 분자 특성을 예측할 수 있도록 지원하는 기계 학습( 머신러닝 , ML) 솔루션입니다. 이 자동화된 지도 학습 파이프라인을 통해 초보자와 숙련된 사용자 모두 최고 수준의 정량적 구조-활성/특성 관계(QSAR/QSPR) 모델을 학습하고 예측할 수 있습니다.

주요 역량

완전 자동화된 워크플로를 통해 모델 구축 과정을 간소화하세요

표현자 와 지문 데이터를 자동으로 계산하고, 여러 머신러닝 아키텍처를 갖춘 모델을 생성하며, 모델 성능을 평가합니다.

프로젝트에 맞는 고유한 설정을 적용하여 모델을 맞춤화하세요. 표현자

소분자를 넘어 고분자, 유기 전자공학, 촉매 등 다양한 응용 분야에서 DeepAutoQSAR가 생성한 데이터에 추가하거나 이를 대체하여 사용할 수 있도록, CSV 형식의 사용자 정의 표현자 를 제공해 주십시오.

모범 사례를 활용하여 모델 최적화를 보장하십시오

예측 모델의 성능을 극대화하는 동시에 과적합이나 모델 성능의 왜곡 가능성을 최소화하기 위해 QSAR/QSPR 모범 사례를 적용하십시오.

모델 신뢰도 추정치를 활용하여 적용 범위를 파악한다

DeepAutoQSAR는 모델 예측 결과와 함께 불확실성 추정치를 제공하여, 모델의 훈련 데이터 집합 범위를 벗어날 수 있는 후보 분자에 대해 생성된 예측 결과에 어느 정도 신뢰도를 두어야 할지 판단하는 데 도움을 줍니다.

결과를 시각화하고 분석하여 더 깊은 통찰력을 얻습니다

목표 특성에 대한 원자별 기여도를 색상으로 구분하여 시각화함으로써, 새로운 화학 구조에 대한 아이디어를 도출할 수 있습니다. Maestro 에서 DeepAutoQSAR 지표 보고서 및 그래프를 시각화하고 분석하여 추가 실험을 진행할 수 있습니다. 이를 통해 어떤 모델 아키텍처가 가장 효과적인지, 그리고 모델이 홀드아웃 세트에서 어떻게 일반화되는지를 신속하게 파악할 수 있습니다.

소규모 또는 대규모 데이터셋을 모두 지원하는 확장 가능한 훈련

소규모 데이터셋에는 부스트 트리(boosted trees)와 같은 고전적인 머신러닝 기법을 활용하는 한편, 그래프 신경망 및 기타 최신 딥러닝 기법을 활용하여 대규모 QSAR/QSPR 모델도 지원합니다.

사례 연구 및 웨비나

Schrödinger 기술이 실제 연구 과제를 해결하는 데 어떻게 활용되고 있는지 알아보세요.

생명과학 웨비나

신약 개발을 위해 머신러닝 애플리케이션과 물리 기반 모델링을 결합하여 활용

머신러닝 신약 개발 전략은 점점 더 널리 보급되고 있으며, 다양한 분야에서 활용될 수 있다.

웨비나 시청하기

생명과학 사례 연구

고형암 치료를 위한 고선택성 Wee1 억제제의 고정밀, 전산 기반 발굴

사례 연구 읽기

생명과학 사례 연구

Hit to lead 포괄적인 디지털 화학 전략을 활용한 새로운 D-아미노산 산화효소 억제제 설계

사례 연구 읽기

생명과학 웨비나

현대적 히트곡 발굴의 동향: 초대형 스크린이 어떻게 이를 활용할 수 있는지 머신러닝

기존의 구조 기반 가상 스크리닝은 프로젝트를 추진할 수 있는 다양한 히트 물질을 발굴하는 데 성공해 왔으나, 히트율, 히트 물질의 화학적 유형 다양성, 탐색 가능한 지적재산권(IP) 영역, 그리고 최적화되지 않은 히트 물질의 효능 측면에서는 여전히 개선의 여지가 크다.