基于深度学习与经典编程的 MolAICal 药物设计研发
生物大分子
2020-06-18 v1
摘要
深度学习方法已渗透到计算机辅助药物设计的研究领域。深度学习生成模型与经典算法可同时用于受体三维（3D）口袋中的三维药物设计。此处从三个方面阐述 MolAICal 用于药物设计：第一部分，MolAICal 使用遗传算法、Vinardo 打分以及由生成对抗网络（GAN）训练的深度学习生成模型进行药物设计。第二部分，深度学习生成模型由来自 ZINC 数据库等药物数据库的类药分子训练。MolAICal 自动调用深度学习生成模型与分子对接进行药物虚拟筛选。第三部分，添加了实用药物工具用于计算相对性质，如泛筛选干扰化合物（PAINS）、利平斯基五规则、合成可及性（SA）等。此外，结构相似性搜索与定量构效关系（QSAR）等也嵌入 MolAICal 中用于药物性质计算。MolAICal 将不断优化并开发当前及新模块以用于药物设计。MolAICal 可帮助科学家、药剂师与生物学家通过深度学习模型与经典编程在受体口袋中设计合理的三维药物。MolAICal 对任何学术与教育目的免费，并可从网站 https://molaical.github.io 下载。
引用
@article{arxiv.2006.09747,
title = {Research and development of MolAICal for drug design via deep learning and classical programming},
author = {Qifeng Bai},
journal= {arXiv preprint arXiv:2006.09747},
year = {2020}
}