點擊圖片查看原圖
- 計算機輔助藥物設計
1. 基于結構的藥物設計（Structure-based Drug Design, SBDD）
a) 分子對接（Molecular Docking）
b) 從頭設計（de novo）
c) 藥效團模型（pharmacophore）
2. 蛋白結構的同源模建（Homology Modeling）
3. 動力學模擬（Molecular Dynamics）
4. 基于配基的藥物設計（Fragment-based Drug Design, FBDD）
a) 定量構效關系分析（QSAR）
b) 機器學習模型（Machine Learning）
c) 構象分析（Conformational Analysis）
5. 先導化合物優化（Lead Optimization）
a) 骨架躍遷（Scaffold Hopping）
b) 生物電子等排體（Bioisostere）
c) 分子相似性分析（Molecular Similarity Analysis）
d) 成藥性分析（Drug Profiler）
理化性質（Physical and Chemical Properties）
ADME性質（ADME Property）
安全性（Safety Profiler）
6. 多靶標藥物設計（Multi-target Drug Design）
- 反向靶標預測
反向對接（Reverse Docking）
反向藥效團模型搜索（Pharmacophore Matching）
配體分子相似性分析（Ligand Similarity Analysis）
化合物-靶標網絡（Compound-Target Network Plot）
靶標作用通路富集分析（Pathway Enrichment Analysis）
- 基于靶標的合理藥物設計
* 基于配體的合理藥物設計
如果沒有任何靶標結構相關的信息可以利用，可以根據已知的活性分子，根據相似性原理，開展定量構效關系分析、藥效團模型構建、假想受體模型等研究，或進行先導化合物的結構優化，快速發現me too, me better的化合物。
* ADME/T特性的理論評測
可通過理論方法預測、分析客戶所提供的苗頭或先導化合物的吸收、分布、代謝、排泄以及毒性(ADME/T)特性，以幫助提高這些化合物的成藥性。這些理論預測模型均基于大數據分析獲得，既包括大量的商業模型，也包括基于獨有技術開發的模型。
* 表型活性的靶標預測
對已經經過表型活性確認的分子，例如抗腫瘤、抗菌藥物，通過反向分子對接、藥效團搜索和機器學習算法推測該活性分子的潛在靶標，并進一步快速驗證靶標的正確性。對分離或者合成獲得的新穎化合物結構，可以通過上述技術，預測該化合物的潛在活性，實現靶標發現，提升化合物價值。
服務流程：
客戶提出需求-> 公司提供初步方案->雙方協商方案細節與定價->公司提供藥物設計結果->客戶反饋->后續跟進服務
