Modeling the value of predictive affinity scoring in preclinical drug discovery

کشف مواد مخدر به طور گسترده ای شناخته شده به عنوان یک فعالیت دشوار و پرهزینه در بخش بزرگی به علت چالش شناسایی مواد شیمیایی است که به طور همزمان به چندین خواص بهینه سازی می کند، که یکی از آنها وابستگی به هدف اصلی بیولوژیکی است. علاوه بر این، بسیاری از این خصوصیات پیش بینی می شود پیش از سنتز ترکیبی گران و وقت گیر و آزمایش آزمایشی دشوار باشد. در اینجا ما کارهای اخیر را برای توسعه مدل های پیش بینی وابستگی متقابل نشان می دهیم و به شدت به بررسی ارزش هایی می پردازیم که ممکن است این مدل ها به کشف مواد مخدر پیش از موعد کمک کنند. ما نشان می دهیم که توانایی این مدل ها برای بهبود کلی احتمال موفقیت، به شکل توزیع خطا، نه تنها خطای متوسط ​​ریشه بستگی دارد. به طور خاص، در حالی که به ثمر رساندن ایده های بیشتر مولکول، احتمال موفقیت موفقیت پروژه را افزایش می دهد در حالی که توزیع خطا گاوسی است، توزیع چربی دم مانند توزیع کوشی می تواند منجر به یک وضعیتی شود که در آن نمره ایده ای بیشتر احتمال کلی موفقیت را کاهش می دهد.