English(EN) Building a Scaffold-Split Random Forest QSAR Co-Scientist for EGFR Inhibitor Discovery Using ChEMBL, RDKit, SHAP, and BRICS

AI 联合科学家工作流针对 EGFR 抑制剂耐药性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-07 01:43

研究人员开发了一个 AI 联合科学家工作流，用于发现新的 EGFR 抑制剂，特别是针对导致现有疗法耐药性的 C797S 突变。该过程包括使用 ChEMBL 和 UniProt 来识别生物靶点和生物活性数据，然后使用 RDKit 进行分子标准化和特征计算。在此数据上训练随机森林模型以预测抑制剂效力，并使用 SHAP 进行特征解释。最后，工作流通过 BRICS 重组分子片段进入生成设计，以创建新的候选药物，然后根据 PubChem 进行评分和交叉检查。 AI

影响该工作流展示了一种药物发现的集成方法，有可能加速识别耐药突变的新型抑制剂。

排序理由该条目描述了药物发现研究工作流的构建和方法论，而不是新的模型发布或前沿研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 MarkTechPost 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

MarkTechPost TIER_1 English(EN) · Sana Hassan · 2026-07-07 01:43

使用 ChEMBL、RDKit、SHAP 和 BRICS 构建用于 EGFR 抑制剂发现的支架分裂随机森林 QSAR 共科学家

<p>In this tutorial, we build an autonomous AI co-scientist for EGFR C797S inhibitor discovery. We resolve the target through ChEMBL and UniProt, then mine IC50 records into a clean pIC50 dataset. We use RDKit to standardize molecules, compute Morgan fingerprints, and train a sca…

报道来源 [1]

使用 ChEMBL、RDKit、SHAP 和 BRICS 构建用于 EGFR 抑制剂发现的支架分裂随机森林 QSAR 共科学家

相关实体

相关话题