discovery
药物设计与材料发现智能数据驱动j9九游会老哥俱乐部交流的解决方案
数据智能驱动 加速产品研发
快速、准确找到目标药物分子/新材料结构是关系研发成功率的关键
自动化数据采集
智能化数据预处理和清洗
模板化数据录入
统一的数据格式与标准
智能化数据检索与分析
实时数据同步与saas云共享
实时协作与流程自动化
ai与分子模拟的零门槛应用
云计算支持
ai加持 实验设计优化
集中管理 优化资源利用
上线快见效快的saas部署
丰富的应用场景实例
sdh平台的neo科研数据库集成了chembl、bindingdb、unpd和dtpds四大数据库，覆盖了小分子药物发现所需的关键数据，为研发人员提供了丰富的数据源，有助于靶点匹配和qsar模型建立。 研发人员通过借助maxflow平台可以实现： 1. 创建分子虚拟库； 2. 构建qsar模型； 3. 预测分子活性； 4. 利用工作流建立admet预测、docking验证及分子动力学模拟等apps 5. 使用分子逆合成app优化目标化合物的合成路径。 通过doe_ml方法，获得基于全局的最优实验方案。研究者根据实验方案进行湿实验合成，并在ilabpower平台集中管理所有实验数据。将湿实验数据和模拟数据传输到sdh进行融合、汇总并推送至maxflow中进行进一步的实验方案推荐与产率预测，同时为项目管理系统（ilabpower pm）提供数据支持，助力项目决策。 三大平台的联动实现了从化合物库准备到药物筛选、分析、逆合成预测的完整流程，避免了研究者在大量不同软件中进行分散、孤立地研究，大幅降低实验试错成本，ml（机器学习）模型加速了研发过程，推进了ai制药的实际应用。
以新戊酸铯为基体，在7种配体、4种溶剂、3种反应浓度和3种反应温度条件下寻找最优收率。假如使用均匀实验，共需做7*4*3*3=252个实验。如果采用doe-ml方法，实验数量将显著降低。 通过ilabpower电子实验记录本doe模块，先用正交设计生成初步实验方案。完成实验后，通过sdh平台汇总实验数据并推送至maxflow中进行进一步的实验方案推荐与产率预测。 使用maxflow的doe_ml 组件，结合机器学习和实验方案设计方法，上传从sdh中获得的实验方案数据，自动生成100条实验方案并预测其结果，从中筛选预测效果好的方案进行第二轮实验，并在电子实验记录本中记录实验过程，通过sdh平台将第二轮的实验数据进行汇总，将预测产率与实际产率进行比对，若需要继续迭代，可以将两轮实验结果一同推送至maxflow进行更多轮次的预测。 总之，借助实验设计方法结合机器学习方法可以帮助研究人员更高效地确定最佳反应条件，显著减少所需实验次数。