QSAR Models

破译复杂的SAR并选择最佳分子来合成

Flare的Activity Atlas™和Activity Miner™组件使得你能够了解支配配体系列结构SAR的静电和形状特性。

总结SAR

Summarize SAR

Activity Atlas直观地总结了配体系列的SAR,根据以下贝叶斯分析生成信息丰富的3D图:

  • 活性分子的平均静电与形状特征
  • 来自Activity Miner差值矩阵的活性悬崖信息
  • 迄今为止已经探索过的静电和形状区域

对于那些没有足够SAR来构建定量SAR模型的项目团队来说Activity Atlas特别有用,并有助于解释定量机器学习模型。

当与蛋白质静电的3D图结合使用时,Activity Atlas图是深入了解配体系列SAR的有效方式。

快速探索复杂的SAR

活性活性悬崖

Activity Miner通过分析活动和选择性悬崖来突出SAR景观中发生重大变化的关键区域,从而实现复杂SAR的快速导航。

数据的多种视图方式可帮助您找到SAR中观察到活动悬崖的关键分子对。 对于每一对,Activity Miner向您展示静电和形状特性的不同之处,从而帮助您了解如何设计具有更好特性的化合物。

不同的视图使您能够专注于SAR的不同方面。可横跨所有化合物的多个活性数据发现并显示活动悬崖,或仅关注代表性的单个化合物。

稳健的QSAR模型用于活性预测

建立广泛的定量模型来预测新化合物的活性和ADMET特性,并优先选择要合成的最佳分子。

Field QSAR: 预测与解释

Field QSAR模型提供SAR数据的全局视图,不仅可用用来预测和还可用来解释SAR

Field QSAR模型提供SAR数据的全局视图,不仅可用用来预测和还可用来解释SAR。

Field QSAR模型提供SAR数据的全局视图。 它们在SAR景观平坦的地方运作良好——分子的微小变化会导致活性的微小变化。在获得稳健模型的情况下,它可以有效地用于预测新分子设计的活性,帮助确定合成的优先级。 除了每个预测之外,还可以研究特定化合物与模型的拟合,以了解对设计有利或不利的方面。 这不但提供了改进设计的反馈,而且助于破译模型以及推理个别化合物活性极强或极弱的原因。

稳健的机器学习模型用来预测活性与ADMET性质

机器学习预测模型

构建预测性定量SAR模型,从多种稳健且经过充分验证的机器学习方法中进行选择——或者通过运行所有方法并让Flare选择最佳方法。

计算回归的定量模型——适用于当生物活动数据是实际值(如 pKi 或 pIC50)或分类时,用于模拟定性生物数据或以活动范围表示的数据(例如,抑制百分比)。

预测性活性模型可以使用Flare的3D描述符来进行计算,对叠合好的分子的形状和静电特性进行建模,以及自定义3D/2D描述符,帮助开发相关ADMET性质的QSAR模型。

Flare中的SAR与QSAR相关主题与案例



flare backgroud

Flare™

进一步探索Flare如何为你的分子设计增加新的见解