NOV 19, 2024
Schrödinger 数字药物研发研讨会 14：
基于机器学习（ML） 的增强型计算机辅助设计进展：对药物发现项目管线的影响
分子特性模拟通过采用基于物理的方法，长期以来在提供结构与特性关系方面的见解、辅助新药设计等领域取得了显著成功。近年来，人工智能（AI）和机器学习（ML）与基于物理的建模技术相结合，极大地推动了创新进程。基于物理的建模所具备的精度和泛化能力，提升了AI/ML模型的性能，使其即使在数据匮乏的领域也能有效应用。反之，AI/ML的速度和灵活性则有助于克服基于物理的模型在时间和空间上的局限，从而产生协同效应，同时优化预测精度和计算效率。
在本场网络研讨会上，我们将探讨利用机器学习推进药物研发项目的以下应用案例。
- 利用FEP+进行主动学习，在大规模体外片段筛选中寻找候选化合物
- de novo设计工作流在智能分子核心设计中的应用
- 利用实验数据通过交互式机器学习仪表盘优化先导化合物，以增强ADMET特征
我们的演讲嘉宾
卡尔·莱斯温
副总裁机器学习（ML） ，Schrödinger
卡尔·莱斯温（Karl Leswing）是Schrödinger 公司旗下机器学习（ML） 的副总裁。在此职位上，他负责监督Schrödinger数字化学平台中机器学习（ML） 应用程序的研究与实施。 2017年，他作为访问研究员加入潘德实验室（Pande Lab），致力于将深度学习技术应用于药物发现领域。在此期间，他共同撰写了《MoleculeNet》一文，该基准测试论文分析了化学信息学领域中机器学习（ML） 技术。卡尔本科毕业于弗吉尼亚大学，并在佐治亚理工学院获得机器学习（ML） 硕士学位。