浙大團隊將化學知識引入機器學習，提出可外推、可解釋的分子圖模型預測反應性能
化學反應的預測建模在藥物發現、材料科學等領域至關重要。然而，化學轉化的復雜性與多樣性，使得構建兼具強外推能力和化學可解釋性的合成轉化預測模型頗具挑戰。
為彌合豐富的化學領域知識與先進分子圖模型間的鴻溝，浙江大學洪鑫課題組提出了基于知識的分子圖模型SEMG-MIGNN，該模型嵌入了數字化空間和電子信息。同時，研究團隊開發了分子相互作用模塊，以解析反應組分的協同影響。
實驗表明，這種基于知識的圖模型可精準預測反應產率和空間選擇性，且外推能力經實驗驗證。得益于局部環境嵌入，模型能從原子層面闡釋空間和電子效應對整體合成性能的影響，為分子工程實現目標合成功能提供了有力指導，也為反應性能預測提供了兼具外推性與可解釋性的新方法，凸顯了化學知識約束反應建模在合成領域的重要性。
對化學反應性和選擇性的深入理解與準確預測，是合理高效探索大規模合成空間的基礎。結構-性能關系（SPR）的構建主要圍繞反應機理研究和決定性過渡態模型闡釋展開。借助過渡態模型，化學家可剖析反應性/選擇性趨勢的根源，并基于化學理論與經驗作出合成判斷。但在缺乏明確機理基礎和解析方程的情況下，處理高維SPR仍是難題。
數據驅動方法近年來成為構建SPR的有力策略。現代機器學習（ML）算法通過挖掘合成數據中的關聯，可為合成預測構建強大模型。然而，人工合成轉化的機器學習預測與設計仍不成熟，主要瓶頸之一是適用于SPR預測的分子編碼方法和ML框架不足。
除人工指定的分子編碼工程外，化學預測領域對表征學習的關注與日俱增。隨著表征學習的創新與應用，數據驅動的分子性質和反應性能預測取得顯著進展。在SPR預測方面，MIT的Coley團隊將經典圖神經網絡（GNN）模型與選定反應位點的量子化學描述符結合，開發了QM-GNN融合模型。該模型將位點特異性電子信息嵌入ML建模，提升了對一系列轉化的區域選擇性和反應性的預測能力，其成功表明增強局部化學信息表達可為合成建模提供有價值的支持。
受QM-GNN啟發，研究人員推測，通過豐富化學環境的局部編碼并加強反應組分間的信息交互，可進一步優化SPR預測。
研錦生物可以利用基于靶點或小分子結構的藥物設計方法，對可購買化合物、天然產物等數據庫進行虛擬篩選，并獲得潛在活性的化合物列表供進一步活性實驗確證。面向制藥企業和科研院所，可提供一站式的早期藥物研發服務，包括虛擬藥物篩選、先導優化、靶標預測、 動力學模擬等，涉及小分子化學藥、生物藥、中藥等多種新藥類型，為您提供優質的藥物發現服務
Yangenebio對于中藥及小分子藥物研究，建立了一套完整的技術服務體系： 武漢研錦生物科技有限公司（YanGeneBio）提供產品： 1,天然產物、中藥、代謝物等化合物靶點發現及SPR親和力驗證解決方案： 1）中藥／復方的有效成分高精度鑒定，網絡藥理學分析及SPR驗證互作； 2）化合物釣靶（標記法）:ABPP釣靶（特異性強，重復性高，細胞水平釣靶）； 3）化合物釣靶（非標記法）:Lip-MS/CETSA（細胞、組織裂解液水平釣靶）； 4)SPR/MST/BLI/ITC/DSF等策略檢測分子間親和力； 5）藥﹣靶結合位點分析（Lip-MS+分子對接鑒定純蛋白與化合物互作位點）； 6）蛋白-蛋白結合位點分析（交聯質譜+分子對接鑒定2個純蛋白間互作位點）； 7）ABPP-WB/CETSA-WB 在細胞水平鑒定藥物與靶點蛋白互作分析； 8）提供真核、原核蛋白表達純化服務； 9）提供定制化基因敲除細胞模型驗證藥物活性； 10）基于分子對接等策略提供化合物高通量虛擬篩選技術服務； 11）提供蛋白、抗體芯片篩選服務：磷酸化抗體芯片，炎癥因子蛋白芯片等檢測服務； 12）提供Olink多因子蛋白組學檢測服務。 2,提供重組活性細胞因子產品：應用類器官培養、完全培養基添加劑、干細胞培養、細胞治療等領域。 3,提供分子互作儀、細胞電轉儀、蛋白純化儀、核酸合成儀及純化儀等設備。
