JUL 30, 2025
基于计算的隐性结合位点 检测与优先级排序
针对隐性结合位点正逐渐成为应对棘手药物靶点的日益有效的策略，特别是在传统正构性方法因选择性 、耐药性或可开发性差等问题而力不从心的情况下。然而，识别和评估隐性结合位点——尤其是那些在无结合蛋白结构中不可见的隐性位点——仍然是早期药物发现中的关键挑战。
在本场网络研讨会中，我们将介绍一种创新的计算工作流程，该流程将混合溶剂分子动力学 (MD) （MxMD）与SiteMap相结合，用于揭示和鉴定隐性结合位点。这一新的组合工作流程在检测包含61个靶点的回顾性基准数据集中的隐性结合位点时，取得了高达83%的成功率。
欢迎加入我们，了解这一全新工作流程如何助力识别隐性结合位点，并为针对新型靶点的基于结构的药物设计 实验提供更多支持。
网络研讨会亮点
- MxMD 方法概述
- 介绍用于识别隐性结合位点的新型 MxMD+SiteMap 工作流程
- 将新工作流与常用的机器学习（ML） 方法以及SiteMap的默认口袋检测模式进行对比测试
我们的演讲嘉宾
大石
一级首席科学家，生命科学软件部，Schrödinger
达·石（Da Shi）是Schrödinger 公司苗头化合物 药物发现团队的首席科学家。他于加州大学圣地亚哥分校获得博士学位，导师为鲁本·阿巴吉安（Ruben Abagyan）教授。毕业后，他曾在弗雷德里克国家癌症研究中心担任数据科学家，致力于开发用于药物发现的机器学习（ML） 平台。 2021年，他加入Schrödinger ，担任All Access应用科学家。随后，他转入苗头化合物 药物发现团队，致力于开发用于识别隐性结合位点 及生成FEP配体构象的工作流程。
迪马·卢皮扬
生命科学软件高级首席科学家，Schrödinger
产品经理德米特里·卢皮扬（Dmitry Lupyan）博士负责领导Desmond 和FEP分析工具的开发工作，展现了他在分子动力学 (MD) 领域的专业造诣。值得一提的是，他开发了用于模拟 分析的PythonAPI ，该工具已成为Schrödinger旗下MD、MxMD和FEP+ 系列产品的基石。 怀着对科学进步的热忱，他积极推广模拟 分析工具的应用，并致力于培育一个探索型社区。他的研究兴趣深入涉及蛋白质工程 、膜结合系统以及解离动力学这一引人入胜的领域。