AUG 31, 2021

实验数据有限？没问题：机器学习（ML） 与临床前药物研发中的物理学

演讲嘉宾

萨特什·巴特、史蒂文·杰罗姆和卡尔·莱斯温
执行董事、高级首席科学家、研究负责人

摘要

机器学习（ML） 技术的兴起以及精准的基于物理理论 建模，推动了临床前药物发现领域的突破，与传统方法相比，在降低成本的同时加速了具有更优化学性质的化合物的发现。

通过应用前沿的机器学习（ML） 方法，可以利用插值技术对化学空间 中范围显著更大的区域进行精确探索。结合通过主动学习实现的、精确的、具有外推能力的基于物理理论 方法，从可购买的数十亿种化合物库中进行苗头化合物 发现，首次实现了成本效益。同样，在先导化合物 优化 过程中，基于物理信息的机器学习（ML） 使设计-合成-测试-分析循环中搜索的化学空间 大幅扩展，从而带来了速度和成本上的优势。

本次网络研讨会将介绍三个关于在主动药物发现项目中应用机器学习（ML） 的实际案例——其中一个用于性质预测，一个用于苗头化合物 的识别，另一个则是通过先导化合物 中的设计-合成-测试-分析循环来维持或提升亲和力 。优化 。