體系相關

A:http://biocomp.chem.uw.edu.pl/CABSdock/這個網(wǎng)站的結果怎么比較啊?

殷賦科技:我還沒用過呢，只是在網(wǎng)上搜索到的。你那計算完了，有什么結果啊?

A:

殷賦科技:沒有打分之類的東西?

A:只給了結果，但沒看到這樣排序的依據(jù)。

殷賦科技:應該是最上面的是最合適的，那你下載下來就可以用啦!

A:沒看到這樣排序的依據(jù)。

殷賦科技:上面有講啊，根據(jù)動力學軌跡中出現(xiàn)的概率排序，1表示最可能。

A:我還以為會和vina一樣，有一個數(shù)值結果的比較。

殷賦科技:大多數(shù)都有個評分，但這個恰好沒有。不過也不妨礙我們使用，評分只是一個參考，通常只具有相對比較的意義，所以，換成概率也是可以的，而概率也只是一個粗略的估計，變成排序更為方便。請根據(jù)你對體系的了解，多看幾個model，綜合判斷，選擇一個合適的來做后續(xù)工作吧。

殷賦科技:我多說一句，我經常在群里和私聊說，“對體系的了解”，指的是根據(jù)你的目標確定你要了解哪些信息，以此篩選、過濾模型。比如，如果我要做分子對接預測蛋白-配體結合模式，那么，除了打分是一個參考指標外，還需要你對這個蛋白的功能、關鍵殘基、抑制劑、激動劑、拮抗劑的作用機理有所了解。掌握的信息越多，判斷就越容易。我們平臺把操作最簡化，但其實對用戶具有更高的要求，要做出科學合理的結果，需要用戶去了解和思考，而非當個操作員。

模型預測

B:想問下大家，ZINC數(shù)據(jù)庫下載下來的小分子，有沒有相對應的LD50?

C:沒有吧。

D:zinc里面天然產物能知道來源生物嗎？

E:什么數(shù)據(jù)庫這么強大？

D:我在zinc里面下載的好像ibs還是stock1n。我也不懂，納悶那個物質能查到來源嗎。

B:USCF DOCK對接軟件里，可以預測化合物的LD50嗎?主要是因為我看了這篇文獻，文章里沒說做實驗得到的LD50，我就想不明白這個LD50到底是哪里得來的。

B:

F:數(shù)據(jù)庫查到的?對接不能預測LD50吧。

殷賦科技:對接軟件不能預測LD50，文獻是個別化合物剛好有人測了LD50。

B:

結果是這樣的一個表格，我也不知道這些LD50哪里來的，關鍵是65個來源于ZINC數(shù)據(jù)庫的小分子，難道正好都是查到了別人做過的LD50嗎。

F:可能他選的大部分都是測過的吧。

殷賦科技:是啊，不是還有2個沒有LD50嗎?如果是軟件預測，為啥不是全部有呢？

B:也對哈，突然間我也意識到這個問題了。

G:部分化合物有admet數(shù)據(jù)，可以自己做模型預測。

B:怎么做啊這個？

G:自己訓練模型，我沒有訓練過急性毒性，我做過遺傳毒性。

C:搞個深度學習模型預測ADMET。

G:http://admet.scbdd.com/。

B:為啥有兩個化合物沒有毒性信息呢？

G:http://:8080//DLAOT/DLAOThome.php。有很多文獻，照文獻來就可以，大部分都沒有，只有部分有。

B:我是看文獻，沒看懂。

G:其實現(xiàn)在不用看懂文獻，只要做個合格的數(shù)據(jù)搬運工: 將數(shù)據(jù)幫到百度、阿里云、Google上，讓它自動訓練，獲得模型。建議試試Google機器學習，1小時20美金。

B:我看是文獻里對接出打分較高的65個小分子，然后這些小分子做了LD50，直接將這些小分子結構輸入這些網(wǎng)站就能得到LD50?

G:不會，你要首先要訓練它，獲得一個模型; 然后用模型預測。

B:訓練他什么意思?

C:數(shù)據(jù)結構整理好，輸入模型就可以了。

G:你還是用這個比較好。http://:8080//DLAOT/DLAOThome.php。再看看這個的方法學。

H:請問現(xiàn)在有沒有那種輸入化合物，直接給出合成路線的軟件或網(wǎng)站?尤其是天然產物那種。

G:我也想找一個。

H:通過訓練ai，應該可能實現(xiàn)吧?

G:普通機器學習就可以

H:那怎么沒人搞

D:效果不好唄

G:很多人搞，最好的是simulation pkus。https://www.simulations-plus.com/

G:剛才發(fā)的也都是機器學習，比薛定諤強100倍。你試試herg毒性預測就知道比所有的都強，只是學術用的比較少而已。

D:好，我平常用的都是ds帶的ADMET預測，估計也不太靠譜。

G:你試試herg陰性化合物，試試schrodinger與ds，看看預測結果。

I:我之前用nlp的word2vec搞逆合成的深度學習，可惜學藝不精，準確度比較差。就是把化合物的smiles格式字符串變成向量，然后用LSTM神經網(wǎng)絡學習，大概60萬個化學反應。預測準確度很低。

C:反應當做什么，變量還是描述符?

I:就是自然語言處理翻譯，把產物“翻譯”成反應物。這個描述符就是word2vec，把smiles格式變成向量即可。

C:逆合成��？

I:是啊。

殷賦科技:LSTM適用于序列預測問題，但逆合成不涉及時間序列吧。你把逆合成的步驟算作序列?

I:lstm在nlp中比較常見，所以我就選它了。

Miscellaneous

I:DS對接出來Energy得分是正的，這代表啥意思啊?

D:是cdock嗎?

I:是的，是cdocker。

G:不管是正值還是負值，解讀應該都一樣。這篇文章里的cdocker也都是正值。

https://www.sciencedirect.com/science/article/pii/S2095754817302119，見表5。

G:正確做法應該讀個說明書與算法，看看結合親和力與打分的關系。再與大家分享一下，文獻之類的都不靠譜。

H:有沒有軟件或網(wǎng)站，能直接給出蛋白活性口袋區(qū)域的DNA序列?

G:你是說組成口袋氨基酸殘基對應的dna嗎?

H:對，我想比較一下兩個蛋白的口袋，看看有沒有異同。

G:那直接比蛋白口袋就可以了，序列比對或蛋白疊合就可以了。

K:

K:@殷賦科技 這個地方指的保守的氫鍵網(wǎng)絡是什么啊?

殷賦科技:應該是跟同類多肽、不同種屬、同工蛋白之類的進行比較，這個氫鍵是大家都有的，稱為保守吧。要根據(jù)上下文判斷。

貝爾湖:大家好，新來菜鳥報道，請問得到分子對接文件dlg怎么解釋結果合理性呢，怎么解讀結果呢?

殷賦科技:還在用autodock4啊?用vina吧，更推薦用dock6。

貝爾湖:autodock4和dock6有什么大的差異嗎，是結果可靠性還是什么?

殷賦科技:官方數(shù)據(jù)表明autodock vina比autodock4更快更準，我的經驗是dock6比vina準確，而且能夠解釋更多東西，更有物理意義。

M:嗯，不會用dock6。

殷賦科技:用我們的平臺，有教程，跟著一步一步點擊鼠標就行。

這里還有分析教程：【文獻重現(xiàn)】D715-2441 抑制劑與PB2蛋白的結合模式研究和作圖教程：高質量PyMOL作圖教程。

M:可以win嗎?我還不會linux。

殷賦科技:不用安裝任何軟件，只要瀏覽器，在任何系統(tǒng)都可以。

更多資訊，請登錄www.yinfotek.com 或關注微信公眾號“殷賦科技”。我司建立了微信學術交流群，為生物醫(yī)藥領域的朋友搭建溝通交流的互動平臺。想入群的朋友，請在微信公眾號菜單欄輸入“加群”，根據(jù)提示操作即可。