ETH 与罗氏用主动学习加几何 GNN 预测分子硼化位点
ETH 与罗氏用主动学习挑实验、几何 GNN 预测位点，在数据稀缺的 C–H 硼化场景里把反应预测做得更可靠。
设计出有药理活性的分子只是起点，能否合成、反应发生在分子哪个位置同样关键。ETH 与罗氏把主动学习（让模型挑实验、实验结果再回喂模型）与几何图神经网络结合，预测 C–H 硼化能否发生、发生在哪个位点，在数据稀缺的药物化学场景下提升预测可靠性。
正文摘录
.jpg) 编辑丨& 设计出一个具有潜在药理活性的分子，只是药物研发的起点。候选分子能否顺利合成、化学反应会发生在分子的哪个位置，同样决定了它能否进入后续研究。尤其是在先导化合物优化阶段，研究人员经常需要在已有分子骨架上进行局部改造，快速获得一系列结构相近、性质不同的候选分子。 C–H 硼化反应就是一种重要的分子改造方式。它可以把分子中的碳氢键转化为含硼官能团，为后续交叉偶联等反应提供反应位点。但对包含多个相似碳氢键的复杂分子而言，预测反应究竟能否发生、具体会发生在哪个位置，都不容易。 10 月 9 日发表于《 Nature Computational Science 》（Nature 旗下计算科学方向子刊）的「 Advancing chemical reaction prediction in data-scarce drug discovery with active and geometric deep learning 」中，瑞士苏黎世联邦理工学院（ETH）与罗氏创新中心（Roche Innovation Center）的团队将主动学习与几何图神经网络结合，构建了一套由模型挑选实验、实验结果反过来更新模型的闭环流程，以更可靠地预测药物分子的反应结果与反应位点。