XiaoMi-AI文件搜索系统
World File Search System定量结构
可解释的手性感知的图形神经网络用于药物发现中的定量结构活动关系建模
在计算机辅助药物发现中，训练定量结构的实力关系模型，以预测化学结构的生物学活性。尽管媒体图神经网络最近成功地完成了这项任务，但重要的化学信息（例如分子手性）被忽略了。为了填补这一关键差距，我们提出了用于分子表示学习的分子内核图神经网络（MOLKGNN），其中具有SE（3） - /构象不变性，手性 - 意识和解释性。对于我们的molkgnn，我们首先设计了分子图卷积，以通过比较原子的相似性与学习分子核来捕获化学图案。此外，我们传播相似得分以捕获高阶化学模式。为了评估该方法，我们对跨越众多重要药物靶标的九个精心策划的数据集进行了全面的评估，这些数据集具有现实的高级失衡，并且证明了Molkgnn在计算机辅助药物发现中比其他图神经网络的优越性。的意思是，学识渊博的内核确定了与主要知识一致的模式，从而确认了这种方法的务实解释性。我们的代码和补充材料可在https://github.com/meilerlab/molkgnn上提供。
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。
药房中的人工智能
人工智能 (AI) 专注于产生智能建模，这有助于想象知识、解决问题和做出决策。最近，人工智能在药学的各个领域发挥着重要作用，例如药物发现、药物输送配方开发、多药理学、医院药房等。在药物发现和药物输送配方开发中，正在使用各种人工神经网络 (ANN)，例如深度神经网络 (DNN) 或循环神经网络 (RNN)。目前已经分析了几种药物发现的实现，并证明了该技术在定量结构-性质关系 (QSPR) 或定量结构-活性关系 (QSAR) 中的强大功能。此外，从头设计促进了具有所需/最佳品质的新型药物分子的发明。在当前的评论文章中，讨论了人工智能在药学中的应用，特别是在药物发现、药物输送配方开发、多药理学和医院药房中的应用。
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
数据分析和不规则测量碳纳米酮CNC T（M）
摘要。不规则指数本质上是拓扑指数。它们对于确定非规范图的分子结构的定量形态非常有帮助。定量结构 - 特性关系（QSPR）和定量结构 - 活性关系（QSAR）都在很大程度上取决于图中异常的计算。它由几种化学和物理特征组成，包括抗性，焓，熵，毒性，熔融和沸点以及熵。本文研究了不同不规则性指数在碳纳米酮分子网络中识别不规则度测量（IMS）CNC T（M）的应用，t = 4、5和T。我们使用了不同的不规则指标，例如IRDIF（ξt），AL（ξt），IRL（ξt），IRLU（ξt），IRLF（ξT），IRF（ξT），IRLA（ξT），IRLA（ξt），IRD 1（IRD 1（IRD 1（ξt），IRA（ξt），IRA（IRA（IRA），IRA（IRA（IRA），IRGA（IRGA（IRGA），IRGA（IRGA（IRGA）），IRB（IRB），IRB（ξT）在CNC 4（M），CNC 5（M）和CNC T（M）中的不规则性比较图形测量也已被阐明并提出。我们有兴趣创建新的公式，以便使用上述指数更好地了解碳纳米酮中的不规则度量。
使用人工智能的工业自动化
摘要：制药和消费者医疗保健行业受到人工智能和机器学习的极大影响。一个名为人工智能的计算机科学子场能够分析复杂的医学数据。人工智能（AI）的目标是创建智能建模，从而促进知识的想象，解决问题和决策。AI在药房的许多领域越来越重要，包括药物递送，过程优化，测试和药代动力学/药物学（PK/PD）研究的增长。本综述着重于AI在包括药物开发和发现在内的各种药物领域中的重要应用，正在进行许多研究，以增强目前可用的AI技术，以提高药房专业的效率。人工智能和系统掌握近年来已经大幅度热潮。它减少了人类在非凡生活中晋升所需的努力。已经检查了许多药物发现实施，证明了该技术在定量结构 - 特性关系（QSPR）和定量结构 - 活性关系（QSAR）中的有效性。此外，它们还在临床试验中，以生成和解释从患者信息中收集的数据。由于研发费用上升和生产力下降，制药行业目前在维护其药物开发计划方面遇到困难。关键字：医疗保健行业除了帮助实验设计外，机器学习算法还可以预测潜在药物的毒性和药代动力学。通过实现铅化合物的优先级和优化，这种能力减少了对广泛且昂贵的动物测试的需求。检查实际患者数据的人工智能（AI）算法可以支持个性化的医学策略，改善患者的依从性和治疗结果。
摘要可用课程博士AI 2024_DEF
药物发现是一个昂贵且耗时的过程，通常通过计算方法来帮助加快和指导新化合物的设计。在过去的十年中，许多研究在计算机辅助药物设计中应用了人工智能，以获得更准确的模型并加速设计过程。本课程概述了机器学习和深度学习算法在几种药物发现过程中的实施，例如对靶蛋白结构，基于结构和基于配体的药物设计的预测，药物毒性和生理学特性的评估，定量结构 - 活动性关系。将讨论与AI在药物开发中的应用有关的具体案例研究，并将用于简化课程论证的理解。
NATS 3058药理学化学
描述该跨学科主题涵盖了药物化学原理，该原理结合了化学，生理学，生物化学和药理学。主题侧重于药物化学原理，旨在使学生了解原子相互作用与分子结构与生物分子靶标之间的关系以及药物的定量结构 - 活性关系。通过探索铅化合物设计和发现策略，化学综合，结构活性关系分析以及在硅辅助方法中，学生将了解药物设计原理。该受试者还强调了药物化学的选定主题，包括抗微生物和化学治疗剂，以了解和探索其化学和结构活性关系。还提供了复合隔离，合成，纯化和表征的实践经验，从而使学生能够动手了解药物化学的动态领域。
药物研发中的人工智能
Anvita Aggarwal 摘要：人工智能 (AI) 已成为药物发现领域的一股变革力量，其驱动力是机器学习（尤其是深度学习）的广泛应用以及计算硬件和软件的不断进步。本文全面概述了化学信息学中 AI 的现状，涵盖定量结构-活性/性质关系 (QSAR/QSPR) 和基于结构的建模、从头分子设计和化学合成预测。分析强调了现有深度学习应用的优势和局限性，并提供了关于下一代 AI 在推进药物发现方面的潜力的前瞻性观点。 2023 年 10 月 12 日收到；2023 年 10 月 23 日修订；2023 年 10 月 25 日接受 © 作者 2023。在 www.questjournals.org 上以开放获取方式出版
药物发现和开发中的人工智能
人工智能加速了药物发现和开发过程并降低了成本，从语言建模到制药领域的改进，有大量成功的应用。随着药物相关数据的增加，深度学习方法已在整个药物发现步骤中使用。在这篇小评论中，我对人工智能及其在药物发现和开发中的应用进行了一般性描述。计算机辅助药物发现和基于配体的定量结构活性和性质（QSAR / QSPR）和从头药物设计，与单细胞技术的整合，药物代谢和排泄，并讨论了结直肠癌和牙齿脱落的最新进展，植物性传统医学的整合，并展示了用于发现血清素5-HT1A药物的AI辅助平台，该药物在不到12个月的时间内进入临床试验，远远少于需要四年药物发现过程的传统方法。