PubChem
PulseAugur coverage of PubChem — every cluster mentioning PubChem across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AI 联合科学家工作流针对 EGFR 抑制剂耐药性
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…
-
AI模型在药物属性预测中达到高精度
研究人员系统地研究了使用传统神经网络和基于 Transformer 的模型进行药物属性预测的分子编码方法。他们的研究涉及在七个数据集上训练模型并评估各种指纹类型，发现模型在毒性和致突变性预测等任务上始终达到高于 0.9 的 AUC 值。基于 Transformer 的模型在使用 MACCS 和 PubChem 指纹时，能够识别与血脑屏障通透性和致突变性相关的化学可解释基团，凸显了分子信息学在药物发现中的可解释性潜力。
-
新型多模态模型可高精度预测分子性质
研究人员开发了MultiPUFFIN，这是一种新颖的多模态基础模型，旨在预测小分子的热物理性质。该模型集成了SMILES序列、2D分子图和3D构象几何，并通过条件感知路由来增强特定属性的预测。MultiPUFFIN在九种属性上取得了0.784的平均测试R2值，尽管训练数据量显著减少，但其性能优于现有模型。
-
机器学习模型预测天然化合物中的阿尔茨海默病候选药物
研究人员开发了一种机器学习方法，用于从天然化合物中识别阿尔茨海默病潜在疗法。该研究利用化学信息学提取分子描述符，并训练了包括随机森林、XGBoost和支持向量机在内的各种分类模型。随机森林模型表现出最高的预测准确性，突显了亲脂性和分子量等理化性质在神经保护活性中的重要性。这种集成方法通过高效筛选大型数据集，有望加速神经退行性疾病的早期药物发现。
-
新的h-MINT模型改进了药物发现中的结合亲和力预测
研究人员开发了h-MINT，一种新颖的分层分子相互作用网络，旨在通过更好地表示分子片段来改进药物发现。该方法使用OverlapBPE标记化方法，允许片段重叠并捕获比传统原子级图更丰富的化学背景。h-MINT模型有效地模拟了原子和片段两个层面的相互作用，从而显著提高了结合亲和力预测和虚拟筛选的准确性。