Прогнозирование свойств молекул

Видео о компании

☰

Войти в App

Войти в SyntellyApp

Надежные модели машинного обучения обеспечивают комплексную оценку перспектив молекул для дальнейшей разработки

Прогнозирование свойств молекул

❮ Вернуться на главную

Оценка сложности синтеза

Оценка синтетической сложности на основе различных прогностических моделей: SYBA, Complexity (SCScore)

АDME

Различные фармакологические параметры: период полувыведения, VDss, LogBB, LogP

Параметры сходства с лекарственными препаратами

Информация о соответствии молекулы критериям лекарственного подобия: Правила пяти Липински, Фильтр Гоуза, правило Опреа, PAINS-фильтры

Метаболизм

Потенциальная биологическая активность молекул, их взаимодействие с цитохромами и прогнозируемая орган-специфичность

Экологические свойства

Оценка потенциального воздействия на окружающую среду: биоконцентрационный фактор, острая токсичность для водной среды (57455-2017)

Ссылка на публикацию

Биологическая активность

Позволяет предвидеть эффективность и безопасность молекул в фармацевтических и биотехнологических приложениях

Модели Синтелли прогнозируют свойства на основе больших наборов литературных данных и структурных дескрипторов соединений с помощью современных методов машинного обучения. Качество прогноза не уступает наиболее распространённым зарубежным программным продуктам

Как это работает

Токсичность

Прогноз токсичности (LD50, LDLo) для разных видов животных при разных способах введения

Модели общей токсичности, такие как репродуктивная токсичность, гепатотоксичность или кардиотоксичность, Тест Эймса, острая и хроническая токсичность

Физико-химические свойства

Растворимость в воде и ДМСО, температура кипения, температура плавления, давление насыщенных паров, плотность, вязкость

Если в базе данных есть экспериментальные значения по запрашиваемой молекуле, Синтелли выводит именно их, при этом рядом с параметрами отображается зеленый индикатор «EXP». Если экспериментальных данных по параметру нет – мы выводим прогнозные значения, рассчитанные методами машинного обучения.

Экспериментальные
значения

От физической химии до токсичности в едином решении

Сокращение времени и затрат
на исследования

Более 80 прогнозируемых свойств

Максимальный охват

Преимущества

Помощь в оптимизации процесса поиска и разработки новых органических соединений

Эффективность исследований

Применимость моделей

Для моделей прогнозирования свойств мы отображаем уровень применимости конкретной модели машинного обучения для выбранной молекулы в виде индикатора около каждого свойства на карточке.

Расчет применимости основывается на принадлежности молекулы к области химического пространства и характеристике обучающей выборки. Индикатор помогает пользователю оценить, насколько данные, предсказанные нейронной сетью, могут быть применимы к каждой конкретной молекуле.

Это повышает надёжность профилирования новых соединений и позволяет принимать информированные решения по стратегическому планированию прикладных разработок в области органического синтеза, медицинской и фармацевтической химии.

Прозрачность информации

Статистические параметры по каждой модели представлены отдельным модулем на платформе в разделе «Статистика» и доступны каждому пользователю. Для определения точности моделей мы используем метрики: RMSE и ROC AUC

Площадь, ограниченная ROC-кривой и осью доли ложных положительных классификаций. Чем выше показатель AUC, тем качественнее классификатор, при этом значение 0,5 демонстрирует непригодность выбранного метода классификации (соответствует случайному гаданию)

ROC AUC

Метрика среднеквадратичной ошибки.
Чем она меньше, тем лучше

RMSE