Novel deep learning strategy to better predict pharmacological properties of candidate drugs and focus discovery efforts

新颖的深度学习策略可以更好地预测候选药物的药理学特性并集中发现工作

基本信息

  • 批准号:
    10133177
  • 负责人:
  • 金额:
    $ 74.99万
  • 依托单位:
  • 依托单位国家:
    美国
  • 项目类别:
  • 财政年份:
    2018
  • 资助国家:
    美国
  • 起止时间:
    2018-08-01 至 2022-03-31
  • 项目状态:
    已结题

项目摘要

PROJECT SUMMARY Collaborative Drug Discovery, Inc. (CDD) proposes to continue development of a novel approach based on deep learning neural networks to encode molecules into chemically rich vectors. In Phase 1 we demonstrated that this representation enables computational models that more accurately predict the chemical properties of molecules than state-of-the-art models, yet are also far simpler to build because they do not require any expert decisions or optimization to achieve high performance. In Phase 2 we will exploit this unprecedented simplicity to develop an intuitive software package that will for the first time enable any chemist or biologist working in drug discovery to create and run their own predictive models – without relying on specialized cheminformatics expertise – yet still achieve or exceed the accuracy of the best currently available techniques. Scientists engaged in drug discovery research from academic laboratories to large pharmaceutical companies rely on computational QSAR models to predict pharmacologically relevant properties and obviate the need to perform expensive, time-consuming assays (many of which require animal studies) for every molecule of interest. Improved models will enable researchers to select lead candidate series more effectively, explore chemical space around leads to generate novel IP more efficiently, reduce failure rates for compounds advancing through the drug discovery pipeline, and accelerate the entire drug discovery process. These benefits will be realized broadly across most therapeutic areas. We also plan to take the technology one step further, leveraging our chemically rich vector representation to enable the software to creatively suggest novel compounds (which do not appear in the training libraries, screening libraries, or lead series) that outperform the lead candidates simultaneously on bioactivity, ADME/Tox and PK assays . Solving this inverse problem is the Holy Grail of computational medicinal chemistry and has the potential to revolutionize drug discovery. !
项目概要 Collaborative Drug Discovery, Inc. (CDD) 提议继续开发一种基于 在第一阶段,我们演示了将分子编码为化学丰富的向量的深度学习神经网络。 这种表示使得计算模型能够更准确地预测化学性质 分子比最先进的模型更简单,但构建起来也简单得多,因为它们不需要任何专家 在第二阶段,我们将利用这种前所未有的简单性。 开发一个直观的软件包,这将首次使任何化学家或生物学家能够在 药物发现创建并运行自己的预测模型 - 无需依赖专门的化学信息学 专业知识——但仍然达到或超过科学家所采用的最佳技术的准确性。 从学术实验室到大型制药公司的药物发现研究都依赖 计算 QSAR 模型可预测药理学相关特性并消除执行的需要 对每个感兴趣的分子进行昂贵且耗时的测定(其中许多需要动物研究)。 改进的模型将使研究人员能够更有效地选择主要候选系列,探索化学 引线周围的空间可以更有效地生成新颖的知识产权,降低先进化合物的失败率 通过药物发现管道,并加速整个药物发现过程将是这些好处。 在大多数治疗领域广泛实现。 我们还计划进一步推进该技术,利用我们化学丰富的矢量表示来 使软件能够创造性地建议新的化合物(这些化合物没有出现在训练库中, 筛选文库或先导系列)在生物活性上同时优于先导候选物, ADME/Tox 和 PK 检测是计算医学的圣杯。 化学并有可能彻底改变药物发现。 !

项目成果

期刊论文数量(0)
专著数量(0)
科研奖励数量(0)
会议论文数量(0)
专利数量(0)

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi }}
  • 发表时间:
    {{ item.publish_year }}
  • 期刊:
  • 影响因子:
    {{ item.factor }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ patent.updateTime }}

BARRY A BUNIN其他文献

BARRY A BUNIN的其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi }}
  • 发表时间:
    {{ item.publish_year }}
  • 期刊:
  • 影响因子:
    {{ item.factor }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

{{ truncateString('BARRY A BUNIN', 18)}}的其他基金

Virtual Approaches to New Chemistries
新化学的虚拟方法
  • 批准号:
    10447249
  • 财政年份:
    2022
  • 资助金额:
    $ 74.99万
  • 项目类别:
Virtual Approaches to New Chemistries
新化学的虚拟方法
  • 批准号:
    10636882
  • 财政年份:
    2022
  • 资助金额:
    $ 74.99万
  • 项目类别:
Automated Molecular Identity Disambiguator (AutoMID)
自动分子身份消歧器 (AutoMID)
  • 批准号:
    10357906
  • 财政年份:
    2020
  • 资助金额:
    $ 74.99万
  • 项目类别:
Automated Molecular Identity Disambiguator (AutoMID)
自动分子身份消歧器 (AutoMID)
  • 批准号:
    10569639
  • 财政年份:
    2020
  • 资助金额:
    $ 74.99万
  • 项目类别:
Intelligent Chemical Structure Browser for Drug Discovery and Optimization
用于药物发现和优化的智能化学结构浏览器
  • 批准号:
    10241834
  • 财政年份:
    2019
  • 资助金额:
    $ 74.99万
  • 项目类别:
A Robust, Secure Framework to Effortlessly Bind Distributed Databases and Analysis Tools into Tightly Integrated Translational Drug Discovery Computational Platforms
一个强大、安全的框架,可以轻松地将分布式数据库和分析工具绑定到紧密集成的转化药物发现计算平台中
  • 批准号:
    10484172
  • 财政年份:
    2019
  • 资助金额:
    $ 74.99万
  • 项目类别:
Digital representation of chemical mixtures to aid drug discovery and formulation
化学混合物的数字表示以帮助药物发现和配制
  • 批准号:
    9902210
  • 财政年份:
    2019
  • 资助金额:
    $ 74.99万
  • 项目类别:
A Robust, Secure Framework to Effortlessly Bind Distributed Databases and Analysis Tools into Tightly Integrated Translational Drug Discovery Computational Platforms
一个强大、安全的框架,可以轻松地将分布式数据库和分析工具绑定到紧密集成的转化药物发现计算平台中
  • 批准号:
    10685358
  • 财政年份:
    2019
  • 资助金额:
    $ 74.99万
  • 项目类别:
Intelligent Chemical Structure Browser for Drug Discovery and Optimization
用于药物发现和优化的智能化学结构浏览器
  • 批准号:
    10386918
  • 财政年份:
    2019
  • 资助金额:
    $ 74.99万
  • 项目类别:
Novel deep learning strategy to better predict pharmacological properties of candidate drugs and focus discovery efforts
新颖的深度学习策略可以更好地预测候选药物的药理学特性并集中发现工作
  • 批准号:
    10004481
  • 财政年份:
    2018
  • 资助金额:
    $ 74.99万
  • 项目类别:

相似国自然基金

开发区跨界合作网络的形成机理与区域效应:以三大城市群为例
  • 批准号:
    42301183
  • 批准年份:
    2023
  • 资助金额:
    30 万元
  • 项目类别:
    青年科学基金项目
秦岭生态效益转化与区域绿色发展模式
  • 批准号:
    72349001
  • 批准年份:
    2023
  • 资助金额:
    200 万元
  • 项目类别:
    专项基金项目
我国西南地区节点城市在次区域跨国城市网络中的地位、功能和能级提升研究
  • 批准号:
    72364037
  • 批准年份:
    2023
  • 资助金额:
    28 万元
  • 项目类别:
    地区科学基金项目
政府数据开放与资本跨区域流动:影响机理与经济后果
  • 批准号:
    72302091
  • 批准年份:
    2023
  • 资助金额:
    30 万元
  • 项目类别:
    青年科学基金项目

相似海外基金

Structurally engineered furan fatty acids for the treatment of dyslipidemia and cardiovascular disease
结构工程呋喃脂肪酸用于治疗血脂异常和心血管疾病
  • 批准号:
    10603408
  • 财政年份:
    2023
  • 资助金额:
    $ 74.99万
  • 项目类别:
Metal-free, genetically encoded reporters for calcium recording with MRI
用于 MRI 钙记录的无金属基因编码报告基因
  • 批准号:
    10660042
  • 财政年份:
    2023
  • 资助金额:
    $ 74.99万
  • 项目类别:
A Novel Sublingual Vaccine to Prevent Neisseria Gonorrhoeae Infection
预防淋病奈瑟菌感染的新型舌下疫苗
  • 批准号:
    10699065
  • 财政年份:
    2023
  • 资助金额:
    $ 74.99万
  • 项目类别:
Planar culture of gastrointestinal stem cells for screening pharmaceuticals for adverse event risk
胃肠道干细胞平面培养用于筛选药物不良事件风险
  • 批准号:
    10707830
  • 财政年份:
    2023
  • 资助金额:
    $ 74.99万
  • 项目类别:
BRAIN CONNECTS: Synaptic resolution whole-brain circuit mapping of molecularly defined cell types using a barcoded rabies virus
大脑连接:使用条形码狂犬病病毒对分子定义的细胞类型进行突触分辨率全脑电路图谱
  • 批准号:
    10672786
  • 财政年份:
    2023
  • 资助金额:
    $ 74.99万
  • 项目类别:
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了