LegközelebbKövetkező útmutató
AI célpont azonosítás a gyógyszerkutatásban
Iparágak
Iparági ÚTMUTATÓ
AI methods can support several stages of drug research, including protein-structure prediction, molecular property prediction, virtual screening and molecule generation.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
A model result is a research hypothesis or prioritization signal, not evidence of clinical safety or efficacy.
AlphaFold predicts protein structures, while AlphaFold 3 extends structure prediction to biomolecular complexes involving proteins, nucleic acids, small molecules and other components. MoleculeNet describes machine-learning tasks over molecular representations including graphs and SMILES. Deep Docking illustrates one virtual-screening approach that uses predictions to reduce how many compounds require expensive docking calculations. DeepTox and later molecular-generation studies address toxicity prediction and candidate generation; these methods do not establish a compound’s safety, efficacy or clinical success. FDA describes preclinical testing and an IND process before clinical studies in people.
Using AlphaFold to predict protein structures, as reported in its paper and resource database.
Using AlphaFold 3 to predict structures and interactions among proteins, nucleic acids, small molecules and other biomolecules.
Representing molecules as graphs or SMILES strings in molecular-learning benchmarks.
Using virtual screening to prioritize compounds for experimental testing, with predictions treated as uncertain.
Evaluate screening and generation methods on prospective, target-relevant data and report experimental confirmation rates. Follow regulatory requirements for preclinical and human research; remove candidates only after evidence appropriate to the task, rather than treating model scores as final decisions.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
AI methods can support several stages of drug research, including protein-structure prediction, molecular property prediction, virtual screening and molecule generation. A model result is a research hypothesis or prioritization signal, not evidence of clinical safety or efficacy.
Az AlphaFold a mély tanulást használta a fehérje 3D-s struktúráinak nagymértékű előrejelzésére, így a kutatók olyan szerkezeti terveket kaptak, amelyek korábban évekig tartó kísérleteket igényeltek.
A molekulák természetesen gráfok (atomok = csomópontok, kötések = élek), amelyeket gráf neurális hálózatok dolgoznak fel, vagy SMILES karakterláncokként kódolnak szekvenciamodellekhez.
A virtuális szűrés modelleket használ a molekulák hatalmas könyvtárainak in silico pontozására, így csak a legjobb jelölteket készítik és tesztelik a laboratóriumban.
Computational ADME/toxicity predictions can prioritize compounds for follow-up; they are model outputs and do not establish safety or replace experimental testing.
Az olyan generatív modellek, mint a VAE és a diffúziós modellek, egy tanult kémiai térből új struktúrákat vesznek fel, optimalizálva a kívánt tulajdonságokat.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
AI célpont azonosítás a gyógyszerkutatásban
Iparágak