XiaoMi-AI文件搜索系统
World File Search SystemQSAR
合成，生物学研究和2 ...
抗氧化剂化合物已成为几种治疗应用的潜在保护剂。抗菌药物抗药性和传染病仍然存在有关全球健康问题的问题。可以肯定的是，发现新的抗氧化剂和抗菌剂对于人类的存在至关重要。噻唑和磺酰胺由于其各种生物活性特性而在药物发现中是特权脚手架。在这项研究中，合成了一系列2-氨基硫唑磺酰胺衍生物（1-12）并研究其抗氧化剂（i.e。，DPPH和SOD-模仿）和抗菌活性。在经过测试的化合物中，化合物8是有效DPPH和SOD最有希望的化合物（％DPPH =90。09％，％SOD = 99。02％）。但是，这些化合物都不是活性抗菌剂。定量结构 - 活性关系（QSAR）建模是进一步用于指导其他导数的合理设计的。两种抗氧化QSAR模型（i。e。，DPPH和SOD）。基于QSAR发现设计了另一组结构修饰的化合物，以最终获得112种新设计的化合物，其中预先介绍了其活动（DPPH和SOD）。大多数修饰化合物的作用比其原型更好。质量，极化性，电负性，C -f键的存在，范德华的体积和结构对称性被揭示为键
巴瑞替尼和托法替尼的脱靶概况，重点关注……
缩写：Cmax：脑内巴瑞替尼的最大浓度，小鼠实验：在小鼠中实验观察到的，QIVIVE BBB：血脑屏障渗透的定量体外-体内外推，QSAR：定量结构-活性关系。
QSAR研究二酰基甘油酰基转移酶-1（DGAT-1 ...1简介面部检测是对象的子集...
1简介面部检测是对象识别的子集，这是计算机科学众多研究领域之一。在当天同样，它被认为是软件工程师和执法人员中的一个非常重要的问题，并且知道如何改善犯罪调查和预防犯罪事故。面部检测一直是一个主要的学术主题[1]。这是一种用于检测人脸的计算机视觉方法。计算机视觉已经走了很长一段路，现在有许多可以认为可以实现的研究项目，其中一些被纳入了一个被称为“ OpenCV”的开源计算机视觉项目中。“创建的开源计算机视觉和机器学习软件库，该库为计算机视觉应用提供标准基础，并加速商业产品中的机器感知，” OpenCV网站[2]表示。
使用LightGBM和Shap
摘要：疟疾继续构成重大的全球健康威胁，抗药性疟疾的出现加剧了挑战，强调了对新抗疟药的迫切需求。虽然已经将几种机器学习算法应用于抗性化合物的定量结构 - 活性关系（QSAR）建模，但仍需要更需要进行更可解释的模拟，以提供有关药物作用的潜在机制，从而促进新化合物的合理设计。本研究使用轻梯度增强机（LightGBM）开发了QSAR模型。该模型与沙普利添加剂解释（SHAP）集成在一起，以增强可靠性。LightGBM模型在预测抗性激活方面表现出了卓越的性能，其AC屏性为86％，精度为85％，灵敏度为81％，特异性为89％，F1得分为83％。SHAP分析确定关键分子描述符，例如MaxDO和GATS2M，是抗疟疾活性的重要促进者。LightGBM与Shap的整合不仅增强了QSAR模型的预测性交流性，而且还为特征的重要性提供了宝贵的见解，从而有助于新的抗疟药的合理设计。这种方法弥合了模型准确性和可解释性之间的差距，为有效有效的药物疾病提供了强大的框架，以抵抗耐药性疟疾菌株。
基于自动 QSAR 的主动学习对接，用于鉴定恶性疟原虫 Hsp90 的潜在抑制剂作为抗疟药物
疟疾主要由恶性疟原虫引起，仍然是一个严重的公共卫生问题，因此需要开发新的抗疟药物。恶性疟原虫热休克蛋白 90 (Hsp90) 对寄生虫的生存不可或缺，也是一种很有前途的药物靶点。针对 N 端结构域的 ATP 结合口袋的抑制剂具有抗疟原虫作用。我们提出了一种从头主动学习 (AL) 驱动的方法，结合对接来预测具有独特支架和对 PfHsp90 优先选择性的抑制剂。预测在 ATP 结合口袋处与 PfHsp90 结合并具有抗疟原虫活性的参考化合物被用于生成 10,000 种独特衍生物并建立自动定量结构活性关系 (QSAR) 模型。进行滑动对接以预测衍生物和从 ChEMBL 数据库获得的 15,000 多种化合物的对接得分。对模型进行反复训练和测试，直到最佳的基于 Kennel 的偏最小二乘 (KPLS) 回归模型达到收敛，该模型的训练集回归系数 R2 = 0.75，测试集的平方相关预测 Q2 = 0.62。使用诱导拟合对接和分子动力学模拟重新评分使我们能够优先考虑 15 种 ATP/ADP 类设计理念以供购买。这些化合物对恶性疟原虫 NF54 菌株表现出中等活性，IC 50 值为 ÿ 6 μ M，对 PfHsp90 表现出中等至弱亲和力（KD 范围：13.5–19.9 μ M），与报道的 ADP 亲和力相当。最有效的化合物是 FTN-T5（PfN54 IC 50：1.44 μ M；HepG2/CHO 细胞 SI ÿ 29），它以中等亲和力（KD：7.7 μ M）与 PfHsp90 结合，为优化工作提供了起点。我们的工作证明了 AL 在快速识别用于药物发现的新分子（即命中识别）方面具有巨大实用性。FTN-T5 的效力对于设计物种选择性抑制剂以开发更有效的抗疟药物至关重要。
MSC在人工智能中用于药物发现
•分子表示，描述符和指纹•深度学习蛋白质结构预测（例如alphafold），结合亲和力预测和虚拟筛选•定量结构活动关系（QSAR）•基于ML的ADMET预测•用于机器学习基准测试的化学数据集•用于DE NOVO DRAUG DEVING的生成模型
引用原始发表的论文（记录的版本）：Svedberg，P.，Inostroza，P.，Gustavsson，M。等（2023）。水生生态毒素的数据集
收集了有关2697种有机化学物质的水生生态毒理学的经验数据和计算机数据，以编译数据集，以评估当前质量结构活动关系（QSAR）模型和软件平台的预测能力。本文档为其创建提供了数据集及其数据管道。经验数据是从美国EPA Ecotox知识库（Ecotox）和EFSA（欧洲食品安全局）收集的，报告“ XML模式中的农药生态毒性学层的数据输入研究终点 - 数据库 - 数据库中”。仅保留了经合组织建议的藻类，水坝和鱼类的数据。使用Ecosar，Vega和Tox-Icity估计软件工具（T.E.S.T.）计算每种化学物质和六个端点中的QSAR毒性预测平台。最后，数据集用微笑，Inchikey，PKA和LOGP修改，从Webchem和PubChem收集。©2023作者。由Elsevier Inc.出版这是CC下的开放式访问文章（http://creativecommons.org/licenses/4.0/）
人工智能在药物化学中的应用...
▪ 深度学习 (DL) 在药物化学问题中的考虑和应用领域 ▪ QSAR 的作用及其对药物化学设计策略中常见假设的影响 ▪ DL 在未来药物设计项目中的应用挑战（举例说明） ▪ 自动合成 - 现在有吗？ ▪ 从阿斯利康内部学到的一些知识
照亮药物发现的前沿
摘要需要很长时间，并且需要大量的努力来发现和开发新药，这需要进行广泛的研究和测试。借助计算技术和数据分析，生物信息学已成为近年来药物发现的有效工具，使研究人员可以更快地找到新药。在这篇综述中，我们研究了生物信息学在药物发现中的作用，包括使用基于配体和结构的药物设计，基于药物团模型的虚拟筛查，基于药物学模型的从头设计以及定量结构 - 活性关系（QSAR）模型和机器学习技术。我们还讨论了来自不同来源的重要数据收集，例如自然和合成数据库，用于支持药物发现工作。我们强调了生物信息学通过对最近的研究的分析来彻底改变药物发现领域的潜力，并加速了新药物来治疗各种疾病。关键字：生物信息学，药物发现，基于配体的药物设计，基于结构的药物设计，虚拟筛查，QSAR，机器学习，数据分类引入药物通过生物信息学发现药物发现