跳转到正文

AIDDISON Explorer

AIDDISON Explorer 是一个托管式药物发现平台,可根据目标特性要求、设计约束、预测属性和合成可行性生成并排序分子候选物。

条目更新 ·

概览

AIDDISON Explorer 支持药物发现工作流中的分子设计和候选物优先级排序。所提供的产品页面证据介绍了一个托管平台:用户输入目标特性要求和分子设计约束后,平台使用基于 REINVENT 4.0 的强化学习模型生成结构。其宣传的应用包括命中识别、以骨架为重点的命中扩展和先导化合物优化。该工作流侧重于生成候选分子并确定后续评估的优先级。

生成的候选物会根据效力、理化性质、成药性和 ADMET 标准进行评分,然后排序。ADMET 预测包含置信度和可解释性信息,可帮助研究人员评估预测的依据及其不确定性。合成可及性评分以及通过 SYNTHIA API 获取的路线信息,则纳入了可行性考量,包括路线步骤数和构建砌块的可获得性。这些输出有助于筛选候选物,但尚不能确证实验活性、安全性或实际合成成功。

排序后的分子及预测属性可导出为 CSV、SDF 和 RD 格式,用于后续对接、合成规划和实验。因此,Explorer 适用于衔接项目设计要求与后续计算或实验室评估。用户可先申请供应商演示并讨论项目需求,以此开始获取访问权限;所提供的页面没有给出公开的本地安装命令,也没有提供不受限制的公共 API。其能力描述属于供应商声明,并非独立验证;候选物排序和模型预测仍需通过实验进行后续验证。

主要功能

  • 使用基于 REINVENT 4.0 的强化学习模型,根据目标特性要求和设计约束生成分子结构。
  • 根据效力、理化性质、成药性和 ADMET 标准对候选物评分并排序。
  • 为 ADMET 预测提供置信度和可解释性信息。
  • 将合成可及性评分与 SYNTHIA API 路线信息相结合,纳入可行性、步骤数和构建砌块可获得性等考量。
  • 以 CSV、SDF 和 RD 格式导出排序后的分子及预测属性,供后续工作流使用。

使用场景

  • 命中识别的评估用途:评估生成并排序的候选物能否为后续对接和实验测试提供实用的候选清单。
  • 以骨架为重点的命中扩展的评估用途:在项目定义的分子约束下探索候选物,并在后续研究前比较其预测属性。
  • 先导化合物优化的评估用途:在选择用于合成规划的分子时,评估预测效力、成药性、ADMET 和合成可行性之间的权衡。

使用方式

  1. 查看 AIDDISON Explorer 官方页面 并申请供应商演示。讨论预期的项目工作流和访问安排;目前没有提供公开的本地安装流程。
  2. 准备目标特性要求和分子设计约束。通过演示讨论,确认这些输入在您的项目中将如何表示,不要假设存在未公开的输入格式。
  3. 根据平台的效力、理化性质/成药性和 ADMET 评分评估生成的候选物。查看 ADMET 预测所附带的置信度和可解释性信息。
  4. 选择进一步研究的候选物时,查看合成可及性评分和 SYNTHIA API 路线信息,包括可行性、步骤数和构建砌块的可获得性。
  5. 将排序后的分子和预测属性导出为合适的支持格式——CSV、SDF 或 RD——以用于后续对接、合成规划和实验。将排序结果视为辅助优先级排序的工具,并安排实验后续验证;不要把预测当成已确认的结果。

相关资源

Chemistry42 是一个小分子发现平台,将生成式设计、逆合成、ADMET 与选择性预测以及基于物理学的优先级排序结合起来,用于命中识别和先导化合物优化。

分子生成 · 药物发现

FEgrow

开源工具

FEgrow 支持交互式构建配体系列以用于自由能计算准备,并提供有文档说明的主动学习示例,以及用于分子设计工作流的基于 Dask 的加速。

开源

分子生成 · 药物发现

Makya

平台

Makya 是 Iktos 面向从头分子设计的生成式 AI SaaS 平台,结合项目目标、合成约束以及基于配体或结构的建模来指导化合物筛选。

分子生成 · 药物发现

REINVENT

模型

REINVENT 是一个 Python 分子设计工具包,利用生成模型、强化学习和迁移学习,按需生成和优化小分子。

开源Python

分子生成 · 药物发现

AutoDock Vina

开源工具

AutoDock Vina 是一款开源分子对接与虚拟筛选程序,提供 Vina 和 AutoDock4.2 评分、多配体对接、大环分子支持及 Python 3 绑定。

开源Python

药物发现

Boltz

模型

Boltz 是生物分子相互作用预测模型家族;Boltz-2 提供复合物结构与结合亲和力预测流程。

开源Python

药物发现

相关指南

工作流

AI 药物发现工具指南:Agent、MCP 与科研平台

按工作流程阶段选择工具:靶点证据、蛋白质结构、已知结合位点、分子生成、性质分析和筛选。比较研究智能体、MCP 集成、托管 API 与平台,并参考一个拟议的端到端示例和实用评估关卡。