摘要：

机器学习（ML） 药物发现中的策略正日益普及，并可应用于多个领域。在Schrödinger 套件中，DeepAutoQSAR是用于训练机器学习（ML） 模型以预测活性化、ADMET及其他化合物性质的主要工具。为了同时利用基于物理理论 计算模型（如QM和FEP）已验证的准确性和广泛的适用范围，以及机器学习（ML） 的速度和规模优势，我们将基于物理理论 建模技术与主动学习框架相结合。 该框架能够有效加速虚拟筛选 方法（例如“主动学习”——Glide 、“主动学习-FEP”和“主动学习-ABFEP”），或提升模型的准确性和适用范围，例如Epik中的pKa 预测以及QRNN等基于机器学习的力场。我们还将探讨如何利用机器学习（ML） 蛋白质结构预测 方法，为基于结构的药物设计开辟新的靶点。

演讲者：

马顿·瓦斯博士，二级首席科学家，Schrödinger