CDD 荣获关于药物发现的深度学习战略的SBIR第二阶段资助。

Burlingame, California —April 7, 2020—Collaborative Drug Discovery, provider of CDD Vault基于网络的药物发现信息学平台供应商Collaborative Drug Discovery宣布他们赢得了美国国立卫生研究院（NIH）NCATS的一项竞争性、同行评审的SBIR第二阶段拨款，题为："新型深度学习策略，以更好地预测候选药物的药理特性并集中发现工作"。

协作药物发现公司（Collaborative Drug Discovery, Inc.(CDD)提议继续开发一种基于深度学习神经网络的新型计算建模方法，将分子编码为富含化学成分的向量。

在 第一阶段 我们证明了这种表示方法能够使计算模型比最先进的模型更准确地预测分子的化学性质，但也更容易建立，因为它们不需要任何专家决策或优化来实现高性能。

在第二阶段，我们将利用这种前所未有的简单性来开发一个直观的软件包，这将首次使任何从事药物发现的化学家或生物学家能够创建和运行他们自己的预测模型--而不依赖于专门的化学信息学专业知识--但仍能达到或超过目前最好的技术的准确性。我们还将把我们的验证扩展到第一阶段概念验证之外，以包括更广泛的生物活性、ADME/Tox和药代动力学特性。这些目标已经足以创造出一个突破性的产品，它将帮助科学家在许多治疗领域广泛加速新药的发现。

预测药理学相关特性的计算模型在从学术实验室到大型制药公司的药物发现研究中发挥着无处不在的作用。一些特性（如logP）现在可以以很高的置信度进行建模，以至于模型已经取代了进行试验的需要，但许多其他关键特性（如溶解度、ADME、PK、hERG）仍然离这个目标很远。我们期望我们提出的富含化学成分的载体将大大推进技术水平，超过传统描述符和指纹所能达到的水平。改进后的模型将使研究人员能够更有效地选择领先的候选系列，探索领先的化学空间以更有效地产生新的知识产权，减少化合物在药物发现管道中的失败率，并加速整个药物发现过程。这些好处将在大多数治疗领域广泛实现。

关于这项资助

小企业创新研究（SBIR）是实现生物数据共享计划的一部分。国家转化科学促进中心 之前的第一阶段奖励编号为#1R43TR002527-01，其描述 如下 NIH记者. 该内容完全由作者负责，不一定代表 国家推进转化科学中心 或国家卫生研究院的官方意见 。