首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    智化科技(Chemical.AI)推动化学合成革新

    智化科技(Chemical.AI)是一家AI赋能化学的研发科技型公司,利用人工智能技术和化学大数据,研发出能大幅度提高化学科研效率的工具,致力于打造化合物智能规划平台,塑造化学的未来。其核心产品ChemAIRS通多样化的合成策略来提升合成路线设计和预测其成功率。2021年,智化科技(Chemical.AI)还在上海建立了智化实验室(ChemAI LAB),能够基于AI技术和大数据赋能的化学合成算法,结合机器人技术,将突破现有合成化学服务效率的瓶颈为行业提供更专业,更高效的化学合成服务。目前,智化科技(Chemical.AI)已成功为多家国内外知名药企及CRO公司提供技术服务,在合成路线设计,工艺路线设计,合成服务等方向展开深度合作。

    02

    基于自然语言进行交互式分子探索

    今天为大家介绍的是来自Guotong Xie和 Zhiyuan Liu团队的一篇关于分子探索论文。在大型语言模型时代,自然语言被期望成为各种人机交互的关键媒介。在生物化学领域,围绕分子的一系列任务具有重要意义,同时也具有较高的技术门槛。将自然语言中的分子表达与化学语言相结合,不仅可以极大提高这些任务的可解释性和操作难度,还可以整合散落在各种辅助材料中的化学知识,以深入理解分子。基于这些好处,作者提出了对话式分子设计,这是一项采用自然语言描述和编辑目标分子的新任务。为了更好地完成这项任务,作者设计了ChatMol,一个生成式预训练模型,通过注入实验性质信息、分子空间知识以及自然语言与化学语言之间的关联来增强模型。

    02

    ICLR 2022 under review|化学反应感知的分子表征学习

    今天给大家介绍一篇关于分子表征学习的文章。分子表征学习(MRL)旨在将分子嵌入到实向量空间中。然而,现有的基于SMILES(简化分子线性输入系统)或GNN(图神经网络)的MRL方法要么以SMILES字符串作为输入,难以编码分子的结构信息,要么过度强调GNN结构的重要性,而忽视了其泛化能力。因此,作者提出使用化学反应来协助学习分子表征,其核心思想在于保持分子在嵌入空间中的化学反应的等价性,即强制让每个化学方程式的反应物嵌入和生成物嵌入的总和相等,该限制在保持嵌入空间的有序性和提高分子嵌入的泛化能力中被证明是有效的。此外,该模型可以使用任何GNN作为分子编码器,与GNN结构无关。实验结果表明,这种方法在各种下游任务中都达到了最佳性能,超过了最佳基线方法。

    02

    蛋白质与高通量药物筛选化合物库 | MedChemExpress

    天然蛋白质具有特定的三维空间立体结构。一生二,二生三,三生空间结构,构成蛋白质肽链的氨基酸线性序列 (一级结构) 包含了形成复杂三维结构所需要的全部信息。理论来说,已知蛋白质氨基酸序列组成,就能轻松获得蛋白质三维结构,但现实远没有那么简单。目前已知氨基酸序列的蛋白质分子约有 2.1 亿个,但截至今天 RCSB PDB (www.rcsb.org) 上收录的被实验解析的蛋白质三维结构仅有 18,1295 个,不到蛋白质总数的 0.1%。究其根本,通过 X 射线衍射、核磁共振或冷冻电镜等方法获得蛋白质三维结构,哪个不耗时费力、需要大量资金投入?另,计算机预测蛋白质结构有诸多限制,SWISS-MODEL 要求序列同源性 > 30%,I-TASSER 要求序列能穿到现有结构,ROBETTA 要求氨基酸序列 < 200。天下苦“蛋白质三维结构”久矣!直到 AlphaFold2 横空出世。

    02

    ONIOM计算(一):简介

    ONIOM(our Own N-layer Integrated molecular Orbital molecular Mechanics)方法是由已故量子化学家Keiji Morokuma等人提出的一种用于大体系计算的杂化方法,它可以对体系的不同部分用不同的计算级别处理,例如对化学上比较关心的成键、断键区域用较高水平的计算方法,对周围环境用较低水平的方法。如果两者分别为量子力学QM和分子力学MM方法,这时候就是一种QM/MM方法。当然,在ONIOM方法中,可以是任意的方法的组合,两层可以都是QM方法。原理上来说,ONIOM方法可以将体系分成n层,而实际计算中一般将体系分成2层或3层。以下我们以两层ONIOM(记为ONIOM2)方法为例,简单说明ONIOM方法的原理,关于三层ONIOM以及更详细的方法原理可参看相关文献,如DOI: 10.1002/wcms.85

    03

    J. Med. Chem. | 用图形注意机制推进药物发现分子表征的边界

    今天给大家介绍的是上海科技大学免疫化学研究所蒋华良院士团队在Journal of Medicinal Chemistry上发表了一篇名为“Pushing the Boundaries of Molecular Representation for Drug Discovery with the Graph Attention Mechanism”的文章。寻找具有良好药理、毒理学和药代动力学特性的化学物质对药物发现来说仍然是一个巨大的挑战。深度学习为药物发现领域提供了强大的工具来建立适合不断增长的数据量的预测模型,但这些神经网络学习的内容与人类能够理解的内容之间的差距正在扩大。此外,这种差距可能会引发不信任,限制深度学习在实践中的应用。在此,作者在文章中介绍了一种新的使用图注意力机制来学习药物发现相关数据集的图神经网络结构——Attentive FP来进行分子表示。通过实验证明,Attentive FP模型不仅在各种数据集上达到了最高水准的预测性能,而且它学习到的是可解释的。通过特征可视化表明,Attentive FP通过从特定任务中学习非局部分子内的交互帮助研究人员发现超出人们预期的潜在的化学信息。

    02
    领券