Keeping pace with the explosive growth of chemical libraries with structure‐based virtual screening
Notice bibliographique
Résumé
Abstract Recent efforts to synthetically expand drug‐like chemical libraries have led to the emergence of unprecedently large virtual databases. This surge of make‐on‐demand molecular datasets has been received enthusiastically across the drug discovery community as a new paradigm. In several recent studies, virtual screening (VS) of larger make‐on‐demand collections resulted in the identification of novel molecules with higher potency and specificity compared to more conventional VS campaigns relying on smaller in‐stock libraries. These results inspired ultra‐large VS against various clinically relevant targets, including key proteins of the SARS‐CoV‐2 virus. As library sizes rapidly surpassed the billion compounds mark, new computational screening strategies emerged, shifting from conventional docking to fragment‐based and machine learning‐accelerated methods. These approaches significantly reduce computational demands of ultra‐large screenings by lowering the number of molecules explicitly docked onto a target. Such strategies already demonstrated promise in evaluating libraries of tens of billions of molecules at relatively low computational cost. Herein, we review recent advancements in structure‐based methods for ultra‐large virtual screening that drug discovery practitioners have adopted to explore the ever‐expanding chemical universe. This article is categorized under: Data Science > Databases and Expert Systems Data Science > Artificial Intelligence/Machine Learning Molecular and Statistical Mechanics > Molecular Mechanics
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».