Keeping pace with the explosive growth of chemical libraries with structure‐based virtual screening
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle