多模态 AI 3D 分子生成
结合专家智慧密度数据，融合化学语言与几何空间的多模态学习框架，以首创阶梯式评估
体系引导模型持续进化，构建更智能、更可靠的分子生成与优化平台
以数据为基石，算法为驱动，以科学评估为保障，
构建高质量分子生成体系
结合专家智慧精炼计算化学方法构建数据
融合实验电子密度深度挖掘数据
融合化学语言与几何空间的多模态
学习框架，生成化学合理且靶点特异的3D分子
-
电子密度标注独有NCI数据驱动关键片段识别优化利用基于电子密度数据标注的NCI（非共价相互作用）数据，采用多任务方式预测关键NCI并对其准确性进行判断调整，从而强化模型对关键片段的识别与优化能力。 -
FSMILES 分子语言表征在传统SMILES分子表征的基础上进行改进开发了FSMILES（片段式的SMILES），在保持表达能力不变的情况下最大程度的压缩了表达方式，同时使得片段中的相关原子可以携带其所在环的整体信息，降低了自回归生成过程的难度。
-
几何学习方法表征空间构象引入球坐标系作为相对坐标描述局部构象（键长，键角，二面角），用直接坐标系坐标来描述全局空间信息，从而能够更加精准的客户原子间的空间关系信息
-
大规模小分子数据预训练引入了大规模的类药分子的2D拓扑结构及力场级别低能态3D结构进行预训练，使得模型更倾向于生成构象相对合理的分子。
-
百万级配体-口袋复合物调优通过高质量蛋白口袋 - 化合物分子配体复合物调优，模型优先根据口袋条件预测下一个元素类型，再预测能够确定分子构象的内坐标，然后以口袋和内坐标作为条件，预测分子在口袋中的绝对位置，这样的设计降低了预测任务的难度，从而生成匹配口袋形状及相互作用的3D分子。
首创阶梯式评估方法，以工业及标准引导模型迭代
立即开启智能药物设计之旅
MolVado 小分子药物设计平台，助力您的研发突破
