워크플로우

활성 예측부터 구조 예측과 도킹, 화합물 생성과 조합까지, 연구 목적에 맞는 워크플로우를 골라 바로 실행해 보세요.

  • TSAP (AI-QSAR)

    추천

    피처별로 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
  • TSAP (Boltz-2)

    추천

    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.

    입력
    타깃 + 활성 데이터, 또는 사전 학습 모델
    출력
    예측 활성, 모델 품질
    엔진
    Boltz-2
    비용
    219 크레딧부터
  • AI 코폴딩

    Boltz-2로 복합체 3D 구조와 결합 친화도 예측

    단백질 서열과, 필요하면 리간드·DNA·RNA를 넣으면 Boltz-2가 이들이 어떻게 접히고 맞물리는지 예측합니다.

    입력
    서열, 구조, SMILES
    출력
    3D 복합체, 신뢰도, 친화도
    엔진
    Boltz-2
    비용
    138 크레딧부터
  • 분자 도킹 (가상 스크리닝)

    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.

    입력
    구조 + 화합물
    출력
    포즈, 점수, 클러스터
    엔진
    GNINA
    비용
    화합물당 1 크레딧
  • 화합물 얼라인먼트

    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.

    입력
    구조, 기준 리간드, 화합물
    출력
    포즈, 점수, R 그룹 표
    엔진
    GNINA + RDKit
    비용
    화합물당 1 크레딧, 최소 50
  • 화합물 생성

    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.

    입력
    화합물 하나와 남길 뼈대
    출력
    새 화합물과 물성
    엔진
    REINVENT4 LibInvent
    비용
    화합물당 1 크레딧
  • 화합물 조합

    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.

    입력
    화합물 라이브러리 두 개
    출력
    조합한 화합물과 물성
    엔진
    RDKit
    비용
    화합물당 1 크레딧
  • 화합물 디자인

    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.

    입력
    구조, 기준 리간드, 그린 화합물
    출력
    포즈, 점수, 상호작용
    엔진
    GNINA + RDKit
    비용
    화합물당 1 크레딧