[论文解读] MolDesigner: Interactive Design of Efficacious Drugs with Deep Learning
MolDesigner 是一个基于人机协作的网络界面，利用超过 50 种最先进的深度学习模型，实现实时、交互式的高效药物设计。它在一秒内预测结合亲和力和 16 种药代动力学（ADMET）特性，使药物开发者能够根据即时反馈迭代修改分子结构，以优化药物疗效与安全性。
The efficacy of a drug depends on its binding affinity to the therapeutic target and pharmacokinetics. Deep learning (DL) has demonstrated remarkable progress in predicting drug efficacy. We develop MolDesigner, a human-in-the-loop web user-interface (UI), to assist drug developers leverage DL predictions to design more effective drugs. A developer can draw a drug molecule in the interface. In the backend, more than 17 state-of-the-art DL models generate predictions on important indices that are crucial for a drug's efficacy. Based on these predictions, drug developers can edit the drug molecule and reiterate until satisfaction. MolDesigner can make predictions in real-time with a latency of less than a second.
研究动机与目标
- 解决传统湿实验评估药物疗效和药代动力学所面临的高昂成本和长时间耗时问题。
- 将多种药物特性预测——包括结合亲和力和 16 项 ADMET 指标——整合到一个统一的交互式界面中。
- 通过在分子结构修改过程中提供实时反馈，赋能药物开发者进行先导化合物优化。
- 克服现有工具的局限性，这些工具往往仅关注孤立的预测，或缺乏用于迭代设计的交互式、统一用户界面。
提出的方法
- 使用 Gradio 构建的基于网络的用户界面，支持实时分子绘制与交互。
- 采用 DeepPurpose 库，驱动超过 50 种最先进的深度学习模型，用于药物-靶点相互作用和特性预测。
- 通过消息传递神经网络（MPNN）、卷积神经网络（CNN）和深度神经网络（DNN）处理分子结构，输入为 Morgan 扩展指纹。
- 支持通过绘制或上传文件的方式输入，兼容标准化学格式（如 SMILES、MOL）。
- 在不到一秒内完成结合亲和力和 16 种 ADMET 特性（包括溶解度、Caco-2 渗透性、血脑屏障穿透能力以及 CYP 抑制）的预测。
- 支持用户选择特定的深度学习模型进行预测，并提供截图保存和输出标记功能，便于追踪。
实验结果
研究问题
- RQ1一个交互式、实时的网络界面能否显著加速药物发现中的先导化合物优化阶段？
- RQ2在单一用户界面中整合多种 ADMET 和结合亲和力预测，在多大程度上能提升药物开发者的决策效率？
- RQ3结合实时深度学习反馈的人机协作方法，在指导分子结构优化以获得最优候选药物方面，效果如何？
- RQ4一个由多样化深度学习模型驱动的统一平台，是否能在 ADMET 预测方面超越依赖单一模型或传统机器学习工具？
主要发现
- MolDesigner 在不到一秒内完成结合亲和力和 16 种 ADMET 特性的预测，支持快速迭代。
- 系统集成了超过 50 种最先进的深度学习模型，包括基于 Morgan 扩展指纹的 MPNN、CNN 和 DNN，用于药物和蛋白质表征。
- 界面支持交互式分子编辑并提供即时反馈，使开发者可根据预测特性优化分子结构。
- 平台设计注重易用性，适用于不同专业水平的用户，支持远程操作，并在结构编辑过程中实时可视化特性变化。
- MolDesigner 通过截图保存和标记功能支持设计迭代的追踪，提升可重复性与协作效率。
- 该系统展示了在临床和科研场景下，构建统一、交互式且可扩展的深度学习驱动药物设计框架的可行性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。