虽然传统的基于结构的虚拟筛选已经成功地找到了不同的靶点来推进项目,但在命中率、靶点化学类型的多样性、可用IP空间的探索以及未优化靶点的效力方面仍有很大的提升空间。来自供应商的超大型、按需合成文库使可购买的化合物空间扩展了约100倍——现在已达到数十亿种化合物——而DNA编码文库(DEL)甚至可以更大。
在本次网络研讨会中,我们将探讨如何使用机器学习方法更有效地筛选这些更大的化学空间。
参加本次网络研讨会,您将了解到:
- 这些方法如何使通过数十亿个化合物加库的虚拟和DEL屏幕找到新的热门产品变得简单和经济有效
- 机器学习如何训练实验DEL结果可以降低假阴性率
- 超大屏幕的好处以及它们如何取代传统技术
主讲人:Matt Repasky,高级副总裁,Schrödinger
薛定谔的业界领先的计算平台,用于加速药物发现和材料设计,由全球领先的生物制药和工业公司、学术机构和政府实验室部署。Schrödinger还将其计算平台应用于与制药公司合作的多种和广泛的药物发现项目,并联合创立了领先的生物技术公司。此外,Schrödinger正在利用其平台推进内部全资药物研发项目。