GLP1R化合物库

采用以下技术来鉴别新的潜在GLP-1R激动剂：

1. Tanimoto +物理化学过滤器方法：
   物理化学过滤器：标准包括氢键供体和受体的数量、对数分配系数（LogP）、分子量、可旋转键的数量和总极性表面积（TPSA）。
   ChemDiv库：最初包含1,666,984种化合物，应用物理化学过滤器后筛选至85,874种化合物。
   Tanimoto相似性：用于搜索具有指定相似性的化合物，采用0.3和0.4的阈值分别对应256位和512位。这将化合物的数量减少到4,315个。
   2.分子对接：
   对接得分：基于分子对接技术，根据GLP-1R的结合亲和力确定潜在激动剂。选择对接得分最高的化合物（最高为-11)。
   3.深度学习：
   深度学习模型：使用来自各种专利和公共数据库的数据进行训练，以对活性化合物和非活性化合物进行分类。
   模型架构：包括三个图注意力层（GAT）、一个全局平均池化层和两个具有sigmoid激活函数的全连接层，用于最终分类。
   结果：模型显示了高准确度、ROC AUC和PR AUC指标，表明其在预测化合物活性方面的有效性。
   结合这些方法，可以将化合物库缩小到最有希望的候选者，以进一步进行实验测试和开发新的治疗糖尿病和肥胖症的药物。

• 可选用DMSO耐受的96/384孔板或2D 条形码编码管；
• 干粉蓝冰运输，DMSO溶液干冰运输；
• 排布：96孔板：1st & 12th 空白对照，384孔板：1st & 2nd & 23th & 24th空白对照。