TSAP (AI-QSAR)
추천피처별로 읽을 수 있는 도킹 기반 활성 예측
도킹을 바탕으로 만든 QSAR 모델로 타깃 하나에 대한 화합물의 활성을 예측합니다.
- 입력
- 활성 데이터, 또는 사전 학습 모델
- 출력
- 예측 활성, 피처 영향
- 엔진
- GNINA, PLIP, scikit-learn
- 비용
- 270 크레딧부터
활성 예측부터 구조 예측과 도킹, 화합물 생성과 조합까지, 연구 목적에 맞는 워크플로우를 골라 바로 실행해 보세요.
피처별로 읽을 수 있는 도킹 기반 활성 예측
도킹을 바탕으로 만든 QSAR 모델로 타깃 하나에 대한 화합물의 활성을 예측합니다.
타깃별로 미세 조정한 Boltz-2 모델로 예측
타깃 하나에 대해 내 화합물이 얼마나 활성일지 예측합니다. 이미 타깃에 맞춰 둔 사전 학습 모델을 쓰거나, 내 활성 데이터로 직접 학습할 수 있습니다.
Boltz-2로 복합체 3D 구조와 결합 친화도 예측
단백질 서열과, 필요하면 리간드·DNA·RNA를 넣으면 Boltz-2가 이들이 어떻게 접히고 맞물리는지 예측합니다.
대규모 화합물 도킹으로 히트 후보 선별
단백질 구조와 화합물 목록을 넣으면 화합물마다 결합 포켓에 도킹해 점수를 매깁니다. 점수, 약물 유사성, 구조 계열로 거를 수 있는 순위표를 드려, 실험 전에 무엇부터 살지 정할 수 있습니다.
알려진 리간드의 결합 자세 그대로 유사체를 채점합니다
단백질과 결합 자세를 아는 리간드, 그 유사체 목록을 넣으면 유사체마다 공통 골격을 기준 리간드의 골격 위에 겹치고 gnina가 포켓 안에서 자세를 다듬거나 점수를 매깁니다.
효과가 있는 뼈대는 남기고 나머지를 새로 붙입니다
기준 화합물에서 남길 부분을 고르면, 떼어낸 자리마다 생성 모델이 새 조각을 제안합니다. 물성이 함께 붙은 화합물 목록을 받아 내려받거나, 도킹과 활성 예측에 그대로 넣을 수 있습니다.
두 화합물 라이브러리의 치환기를 한 코어 위에서 엮습니다
같은 코어를 공유하는 두 화합물 라이브러리를 넣으면, 각 라이브러리가 바꾼 자리의 치환기를 모아 모든 짝으로 이어 붙입니다.
유사체를 하나씩 그려 기준 리간드와 바로 비교합니다
결합 자세를 아는 리간드(REF)에서 출발해 편집기로 유사체를 그리고, 추가한 화합물을 몇 초 만에 REF와 같은 자리에서 채점해 나란히 비교합니다.