通过深度学习和经典编程研发MolAICal用于药物设计
摘要：基于深度学习的药物设计方法在计算机辅助药物设计领域得到了广泛应用。在受体的三维口袋中，可以同时使用深度学习生成模型和经典算法进行三维药物设计。本文介绍了MolAICal在药物设计中的三个方面：第一部分，MolAICal利用遗传算法、Vinardo评分和由生成对抗网络（GAN）训练的深度学习生成模型进行药物设计。第二部分，利用来自药物数据库（如ZINC数据库）的类药物分子训练深度学习生成模型。MolAICal可以自动调用深度学习生成模型和分子对接进行药物虚拟筛选。第三部分，为计算相对性质（如Pan-assay干扰化合物（PAINS）、Lipinski的五要素规则、合成可及性等）添加了有用的药物工具。此外，MolAICal还嵌入了结构相似性搜索和定量构效关系（QSAR）等方法，用于计算药物性质。MolAICal将持续优化和开发当前和新的药物设计模块。通过深度学习模型和经典编程，MolAICal可以帮助科学家、药剂师和生物学家在受体口袋中设计合理的三维药物。MolAICal可免费用于任何学术和教育目的，可从网站https://molaical.github.io下载。
作者：Qifeng Bai
论文ID：2006.09747
分类：Biomolecules
分类简称：q-bio.BM
提交时间：2020-06-18