MarkTechPost • 22일 전

AI 공동 연구원 구축: EGFR 억제제 발견을 위한 QSAR 모델

IMP

8/10

핵심 요약

이 튜토리얼에서는 ChEMBL과 RDKit 등의 도구를 활용하여 EGFR C797S 억제제를 탐색하는 자율 AI 공동 연구원(co-scientist) 시스템을 구축합니다. 단순한 예측 모델을 넘어, SHAP을 통한 결과 해석과 BRICS 기법을 활용한 신규 화합물 생성 및 우선순위 평가까지 신약 후보 물질 발굴의 전 과정을 자동화했다는 점이 핵심입니다. 제약 및 AI 신약 개발 실무자에게 매우 유용한 엔드투엔드(End-to-End) 가이드라인을 제공합니다.

번역된 본문

이 튜토리얼에서는 EGFR C797S 억제제 발굴을 위한 자율적인 AI 공동 연구원(co-scientist)을 구축합니다. 먼저 ChEMBL과 UniProt을 통해 타겟 단백질을 식별하고, IC50 데이터를 마이닝하여 정제된 pIC50 데이터셋으로 변환합니다. 이후 RDKit을 사용하여 분자 구조를 표준화하고, 모건 핑거프린트(Morgan fingerprints)를 계산한 다음, 골격 분할(Scaffold-split) 방식을 적용한 랜덤 포레스트(Random Forest) QSAR 모델을 학습시킵니다. 마지막으로 SHAP을 통해 약물 효능을 좌우하는 주요 요인을 해석하고, BRICS 알고리즘으로 분자 조각(Fragment)들을 재조합하여 새로운 후보 물질을 생성하고 순위를 매깁니다.

이 글 'ChEMBL, RDKit, SHAP, BRICS를 활용하여 EGFR 억제제 발굴을 위한 골격 분할 랜덤 포레스트 QSAR 공동 연구원 구축하기'는 MarkTechPost에 처음 게재되었습니다.

원문 보기

원문 보기 (영어)

In this tutorial, we build an autonomous AI co-scientist for EGFR C797S inhibitor discovery. We resolve the target through ChEMBL and UniProt, then mine IC50 records into a clean pIC50 dataset. We use RDKit to standardize molecules, compute Morgan fingerprints, and train a scaffold-split Random Forest QSAR model. We interpret potency drivers with SHAP, then recombine BRICS fragments to generate and rank novel candidates. The post Building a Scaffold-Split Random Forest QSAR Co-Scientist for EGFR Inhibitor Discovery Using ChEMBL, RDKit, SHAP, and BRICS appeared first on MarkTechPost.

AI 신약 개발 머신러닝 QSAR 모델 데이터 마이닝 화학 정보학