FEP+ 协议生成器
针对高难度目标，采用机器学习驱动的优化 对FEP+ 模型进行优化
FEP+ Protocol Builder 是一款基于机器学习（ML） 的自动化工作流，适用于FEP+ 模型优化 。它通过为您的靶点 识别出最优的预测模型，既能为科学家节省时间，又能提高利用FEP+ 成功推动药物发现的几率。
借助基于物理学的机器学习（ML） 技术，提升FEP+ 的准确性，从而应对最具挑战性的靶点，使您能够自信地在项目中前瞻性地应用FEP+ 。
通过FEP+ 模型的自动化成本优化 ，在项目整个生命周期内降低计算成本
生成优化的FEP+ 模型的速度比手动方法优化快4倍，通过高效探索参数空间，为各疾病领域的研究人员节省数周时间
通过全自动工作流，加快FEP+ 在复杂系统中的应用
全自动的FEP+ 协议生成器生成了优化的FEP+ 协议，其成对RMSE值较默认模型有所改善。所有协议均使用相同的15种同系配体进行，这些配体在2个R基团上进行了修饰，且具有来自PDB ID：2IVV的已知亲和力 数据。FEP+ 协议生成器被用于快速且严格地验证靶点 是否适用于Schrödinger 平台。
| 工作流程 | 描述 | 库大小 | 筛选时间 4.0B（天） | 筛选时间 6.5B（天） | 6.5B（TB）的存储空间 |
|---|---|---|---|---|---|
| 快Shape | 1D-SIM*预滤波器与Shape 处理器的组合 筛选 | > 40亿 | 5.2 | 5.5‡ | 0.4 |
| Shape GPU | GPU加速的3D筛选 | < 5.0 billion | 4.6 | 7.5‡ | 33 |
| Shape CPU | 基于CPU的3D筛选 | < 10 million | NA简体中文（大陆） | NA简体中文（大陆） | NA简体中文（大陆） |
FEP+ 在多种蛋白质靶点上，协议构建器生成的模型通常优于人类专家设计的模型
在一项最新研究中，FEP+ 协议构建器在针对十种不同目标构建预测模型方面表现优于人类专家——在这些目标中，FEP+ 的默认设置无法生成准确度达标的协议（RMSE > 2.5 kcal/mol），且该工具还能针对专家无法成功构建协议的系统生成FEP+ 模型。
FEP+ 在严格划分训练集和测试集的基础上，Protocol Builder 以完全自动化的方式运行。最终的优化 模型将周转时间从平均27天缩短至7天，速度提升了4倍，每个项目平均节省20天。
| 病害区域 | 靶点 类 | 靶点 | Expert Protocol 均方根误差 (kcal/mol) | FEP+ 协议构建器 RMSE（千卡/摩尔） |
|---|---|---|---|---|
| 肿瘤学 | Bcl-2 | MCL1 | 1.5 |
1.1 |
| 神经学 | ATP酶 | P97 | 1.3 |
1.0 |
| 肿瘤学 | 核受体 | ESR1 | 3.1 |
2.0 |
| 疼痛、成瘾、肿瘤学 | GPCR | mOR | 2.4 |
2.2 |
| 痛苦、成瘾 | GPCR | dOR | 2.2 |
1.3 |
| 血液学、肿瘤学 | ADP-核糖基转移酶 | TNKS2 | 2.2 |
1.1 |
| 疼痛、成瘾、神经学 | GPCR | KOR | 2.1 |
1.7 |
| 肾脏 | 天冬氨酸蛋白酶 | 肾素 | 1.8 |
1.6 |
| 肿瘤学与风湿病学 | 半胱氨酸蛋白酶 | MALT1 | 2.5 |
1.5 |
| 肿瘤学 | 受体酪氨酸激酶 | RET | 1.9 |
0.8 |
网络研讨会
针对复杂系统，利用全自动、基于机器学习（ML） 的工作流加速FEP+ 模型优化 的开发
FEP+ 这是一种在药物发现领域中非常强大的预测技术——其应用范围涵盖从苗头化合物 药物发现到先导化合物 优化 。部署FEP+ 的关键第一步，是对目标蛋白质-配体体系的模型进行验证和优化。
观看网络研讨会机器学习（ML） 基于FEP+ 协议构建器的工作流
推荐输入
- 一个通过实验解析得到的蛋白质-配体结构，或者一个 通过计算生成的蛋白质-配体结合模式假说
- 需要10个或更多同属配体，理想情况下应为20个，以获得更可靠的统计结果。 这些配体应具有已知的亲和力 数据，且数据范围应至少覆盖两到三个数量级。
- FEP+ Protocol Builder 随FEP+ 捆绑提供，为获得最佳使用效果，需至少拥有 20 份许可证。
可作为软件或服务提供
- 充分利用您的内部资源，或 与Schrödinger的专家团队及大规模计算资源合作， 以优化您下一个FEP+ 模型。