报告案例HS-CASE-0014药物筛选

超大规模主动学习虚拟筛选

本页目录

GRAPHICAL ABSTRACT

图摘要

SUMMARY

以结构多样的初始子库建立筛选标签，主动学习反复选择高信息量候选，再以对接、动力学、近似能量和性质风险分层复核。图摘要汇集候选分布、结构复核与性质比较，集中呈现筛选漏斗中的主要结果信号。这些结果形成层次清晰的候选优先级，为后续实验选择与先导优化提供直接参考。

SELECTED RESULTS

该图呈现“Virtual screening for potential hits”中的主要结构与趋势，并与本案例的候选排序和结果判断形成对应。

该图呈现“Virtual screening for potential hits”中的主要结构与趋势，并与本案例的候选排序和结果判断形成对应。

表格较宽时可横向滚动查看

结果表格
序列 A_ID	docking score	drugclip score	QED	AMES	Bioavailability_Ma	ClinTox	HIA_Hou	hERG
候选化合物 B	-7.34	2.69	0.7678	0.0189	0.9588	0.0315	0.9982	0.0728
候选化合物 F	-7.124	2.85	0.8533	0.086	0.9541	0.0192	0.996	0.0173
候选化合物 G	-7.117	2.85	0.8373	0.0357	0.9142	0.0098	0.9989	0.0531
候选化合物 A	-7.043	2.73	0.8	0.1502	0.9288	0.0855	0.9995	0.1708
候选化合物 C	-7.043	2.77	0.8247	0.2848	0.9323	0.073	0.9907	0.0468

该表汇总“ADMET results of prioritized candidate molecules”中的关键比较信息，使不同条件与候选之间的结果差异能够直接对应。

HS-CASE-0014

完整结果、高清图表与分析说明仅在客户版 PDF 中提供。添加客服微信并发送案例编号 HS-CASE-0014 获取。