Badapple 2.0：一种用于预测化合物混杂性的实证模型，已更新、现代化并提升了可解释性

《Journal of Chemical Information and Modeling》：Badapple 2.0: An Empirical Predictor of Compound Promiscuity, Updated, Modernized, and Enhanced for Explainability

生物活性分析效率提升工具Badapple 2.0实现全面升级，通过代码重构、扩展实验数据集、增强功能模块和元数据管理，显著提升假阳性筛选和化合物多效性分析能力，适用于AI驱动的抗病毒药物研发及更广泛的早期药物发现场景。

　　

现代药物发现和化学生物学研究在很大程度上依赖于生物测定数据的分析。生物测定数据分析中的一个主要挑战是识别虚假线索，即那些最初看起来具有理想活性的化学化合物，但在进一步研究后发现存在问题。Badapple（BioAssay-Data Associative Promiscuity Pattern Learning Engine）于2012年首次发布，旨在帮助研究人员识别这类具有广泛活性的化合物，从而避免这些虚假线索的常见来源。自那时起，它受到了全球科学界的广泛认可和使用。通过软件工程、化学信息学和生物医学数据科学的共同努力，我们开发了Badapple 2.0，这是一个重大更新版本，包括代码全面重写、更新和扩展的测定数据集、增强的功能性和可扩展性以及更丰富的元数据，支持更好的可解释性和更深入的生物活性分析。Badapple 2.0的开发和资金支持源于一个持续进行的基于人工智能/机器学习的抗阿尔法病毒发现项目，但其应用范围广泛，可以提升许多其他早期药物发现工作的效率。