
-
生物通官微
陪你抓住生命科技
跳动的脉搏
机器学习与虚拟筛选协同整合用于药物发现中的多目标分子优化研究
《Scientific Reports》:Joint molecular optimization for efficient virtual screening via machine learning
【字体: 大 中 小 】 时间:2026年10月16日 来源:Scientific Reports 4.9
编辑推荐:
摘要联合分子优化是本研究的核心焦点,该研究探讨了机器学习(ML)与虚拟筛选(VS)在药物发现中的协同整合。本研究通过整合分子对接与机器学习技术,以同时预测和平衡多种分子性质,从而克服了现有方法的局限性。传统虚拟筛选方法通常主要关注单一分子性质(如结合亲和力),而忽视了同时优化
联合分子优化是本研究的核心焦点,该研究探讨了机器学习(ML)与虚拟筛选(VS)在药物发现中的协同整合。本研究通过整合分子对接与机器学习技术,以同时预测和平衡多种分子性质,从而克服了现有方法的局限性。传统虚拟筛选方法通常主要关注单一分子性质(如结合亲和力),而忽视了同时优化多种关键参数(如ADMET(吸收、分布、代谢、排泄和毒性)特征)的必要性。本研究的主要目标包括开发和评估多目标优化策略,并采用机器学习模型(如逻辑回归、支持向量机、神经网络)以提高预测准确性和计算效率。该研究通过平衡疗效与安全性指标来完善虚拟筛选,并展示了这些策略组合在基准数据上的效果。本工作贡献了一个受控且可重复的框架,以及一个明确定义的多目标优先级排序程序,旨在支持更高效、更透明的虚拟筛选,为药物发现、计算化学和机器学习领域的研究人员提供有价值的见解。关于减少临床流失或提高临床成功率的声称需要前瞻性实验验证,这超出了本研究计算方法的范围。