MaXFlow分子模拟与人工智能平台.docx

《MaXFlow分子模拟与人工智能平台.docx》由会员分享，可在线阅读，更多相关《MaXFlow分子模拟与人工智能平台.docx（6页珍藏版）》请在第一文库网上搜索。

1、Q ：机器学习或深度学习的训练使用数据量大概多少,预测精确度如何？是否会使用一些已 知的数据进行测试？A:针对不同的预测模型，我们采用权威的开源数据库进行训练，如对于逆合成路线预测， 我们使用USPTO-50k数据库上的所有相关数据进行训练。对于精确度我们已经在尝试通过 近期已报道的文献进行相关测评，如图所示为使用MaXFloW预测文献中化合物的合成路线 与实际路线的对比，结果表明MaXFIow的预测结果与文献一致。SdiCMC 工 General IUmiIc to DUmMet ITt242s2tfaJ ONkteNMM: (i) KATu DIPKA. DMF. fl, 1-24 k (

2、ti) HCX MeOK OXtoit. i-16K (Hl) R uo 3 gmot( Ma HATU. IMFFA MF. f I-M kJ Med Oi 202 C，. W2t-IM2LMaXFk)W 结果：jQ ：抗原抗体对接是刚性对接吗,准确率如何？A:目前MaXFlOW是刚性对接，采用MEGADoCK引擎，其针对特殊的抗体结构会进行构象 优化。同时MEGADoCK使用多种技术减少对接所需的计算时间，例如一种新的评分函数, 称为真正的成对形状互补(rpsc)评分。研究表明完成对接计算的ppi筛选，megadock的穷 举能力比传统对接软件ZDOCK快7.5倍，计算结果基本一致CQ ：

3、 MaXFlOW是否能够进行细致的相互作用分析？A:目前动力学模拟部分不仅支持基础的理化性质分析、骨架波动分析（RMSD、RMSF）,还 将支持蛋白质二级结构分析、热点残基分析（丙氨酸扫描、能量分解）、结合自由能分析（FEP 自由能、MMPBSA）.相互作用分析（氢键分析、盐桥分析）、构象转变分析等，可以从不同角度给出相互作用全面的分析0Secondary Structure 0 63 126 139 2S 115 3.78 4.41 5.04 5.67 63 6.93 7.56 &19 &82 9.455enp-s=oqEnN-Coi B Sheet - 8 Bridge Bend - Tu

4、m A-Hefix 3 HefccQ ：新生成的分子模型,创新性有没有指标来评价,而且生成的分子数量很多,如何验证是 否已经存在？成药性的打分标准是什么,仅仅按照（QED）来评价合理吗？A:为了评估生成分子的新颖性，MaXFlOW通过ISoMAP算法应用于从ZINC数据库获得的 训练数据集，构建从指纹到二维空间的映射，灰点代表ZlNC数据库中的分子，热图点代 表生成分子随时间的分布，从而实现生成新颖分子的评估。成药性指标包括类药性QED、 合成性分数SAscore、水溶性指标IogP以及PIogP等，进一步还可通过分子对接或者药靶 亲和力进行分子评价。Q ：重链和轻链是否可以在结构上标识CDR

5、区?A:抗体目前已经有了序列注释组件，包含IMGT、Kabatx Chothia和Martirl四种可选编号 系统对抗体进行注释，可以给序列标注CDR区CQ ： CDR优化,组件里Al模型,可以直接实现优化吗？A : CDR区的loop因为要结合多种抗原而会具有更多样的结构，导致此区域的建模准确性更低，特别是第三个CDR loop (CDR-H3) 0 MaXFIow可以通过Al直接预测CDR区的loop并进行能量最小化获得更准确的CDR结构。MaXFIow分子模拟与人工智能平台MaXFIow让生命科学家和材料科学家能够用最简便最快速的方式，应用模拟科学家实践的 最新模拟计算和人工智能模型对创新进行机理指导和实验预测。 所见即所得，轻松构建3D模型 通过组件和工作流技术，提高建模效率 结合SDH科学数据基因组平台，提高数据获取效率 开放环境对各类算法进行集成和封装 降低AI模型使用门槛，模型与实验的结合更紧密 模型共享，专家经验与知识沉淀固化 加快研发速度，降低研发成本