肾素靶标化合物库

该化合物库通过机器学习技术（贝叶斯统计、人工神经网络和k近邻算法）与分子对接方法精心构建而成。这种基于配体与受体的虚拟筛选方法相结合，有望显著提升筛选过程中发现有效化合物的数量。
在已知的REN抑制剂库设计中，化合物被聚类为八个簇。随后基于分子指纹特征，采用k-NN算法对各簇化合物进行活性分类，以获得更均质化的样本集，并随机划分为训练集和测试集。训练集用于人工神经网络和贝叶斯模型的开发与参数化。这两种方法分别基于不同的分子描述符——包括LogP值、分子量、可旋转键数、环数、氢供体与受体数量、PSA值、指纹特征、拓扑描述符等。此外，训练集还作为模板，通过基于ECFP4、FCFP4、ECFP6、FCFP6指纹特征的k-NN算法筛选化合物。测试集则用于验证贝叶斯模型和神经网络的性能。通过机器学习方法获得的高分化合物与分子对接(PDB ID）获得的高分化合物进行交叉验证。

• 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。