2021年7月16日，DeepMind团队在Nature上公布了AlphaFold2的源代码。一周后，DeepMind团队再发Nature，公布AlphaFold数据集，再次传开科研圈！AlphaFold数据集覆盖简直整个人类蛋白质组(98.5%的所有人类蛋白)，还包括大肠杆菌、果蝇、小鼠等20个科研常用生物的蛋白质组数据，蛋白质结构总数超越35万个！并且，数据会集58%的猜测结构达到可信水平，其间更有35.7%达到高信度！深究AlphaFold2计算模型发现，AlphaFold2没有学习AlphaFold运用的神经网络相似ResNet的残差卷积网络，而是选用近AI研究中鼓起的Transformer架构，其间与文本相似的数据结构为氨基酸序列，通过多序列比对，把蛋白质的结构和生物信息整合到了深度学习算法中。从模型图中可知，AlphaFold2与AlphaFold不同，并没有选用往常简化了的原子距离或者接触图，而是直接练习蛋白质结构的原子坐标，并运用机器学习方法，对简直所有的蛋白质都猜测出了正确的拓扑学的结构。计算AlphaFold2猜测的结构发现：大约2/3的蛋白质猜测精度达到了结构生物学试验的丈量精度。虚拟筛选在药物发现中的意义。药物筛选与评价
文章一中研讨者首要展开CBE系统用于点骤变高通量挑选的可行性剖析。使用针对性的挑选文库和正向/负向挑选，研讨者指出，以CBE工具BE3.9max为根底的高通量挑选新渠道能有效发现功能失活性（LOF）的点骤变。研讨者还以与恶性疾病密切的DNA损害应对基因BRCA1和BRCA2为研讨对象，进一步证实了新渠道在挑选LOF点骤变中的有效性。随后，研讨者使用挑选渠道对影响靶向药物敏感性和耐受性的基因点骤变进行剖析：研讨首要选取的是恶性中反常高表达的MCL1和BCL2L1两种抗凋亡基因，两者间存在组成致死关系且有对应的靶向药物MCL1-i和BCL2L1-i筛选药物成分药物筛选从人工智能到计算机筛选的意义。
此外，可用的机器学习模型在根据2019版推断的生物活性的分类基础上扩展分类选择中发挥了要害作用，然后减少了化学骨架分类在分类选择中的主导地位。具体而言，增加根据化合物库的参阅活性概况聚类，使咱们能够在挑选过程中增加生物活性信息的权重。总体而言，咱们认为咱们的2019年根据平板的筛板可以实现多样性驱动的子集和迭代筛选，而且当时的设计在筛板中提供了均衡的化合物分布。新药的研讨开发是一项投资较大、周期较长、风险较高的高技术产业，经常要面临大量错综复杂、互相矛盾的数据，每个决议都可能使多年研发成果付之东流。
产品优势：适配高通量自动化核酸提取仪，较少人工操作时间；样本制备时间短，样品前处理需10min，全自动核酸提取仪50min；样本间差异低，结果重复性强；纯度高，无DNA污染；可处理细胞数量级范围5*104-106。抗体药物以其极大的临床价值满意了先前未被满意的临床需求，也用其优异的市场表现证明了自身巨大的商业价值。销售额数字不断突破，促进研讨人员不断研讨抢手靶点、挖掘尝试冷门靶点。2020年全球“药王”修美乐（阿达木单抗）销售额为199.6亿美元，继续称霸榜单榜首。化合物在高通量筛选中的效果怎么样？
在过去的十年中，表型挑选在药物发现中再次变得越来越重要，其实际成果是测定和挑选级联变得越来越杂乱，从而限制了可以挑选的化合物的数量。迭代挑选可以减少整体筛查化合物的数量，节省化合物库存，缩短时间表和成本，更重要的是在进行大规模筛查之前先验证或优化测定方式。在经典的HTS中，一切化合物均经过测验，化合物在平板筛板上的散布对成果影响不大。但是在迭代多样性驱动的子集挑选中（如NIBR所实践），正确的分配对于取得合理的成果至关重要。高通量筛选技能加速联合用药研讨。药物筛选和先导化合物发现平台
高通量挑选技能因其微量、快速、活络、高效等特色，已经逐渐成为加速药物联合医治研讨的有力东西。药物筛选与评价
将化合物溶解并接种到384孔平板中，按顺序进行初度挑选，这些筛板作为一切进行HTS的源头，并在约6年的循环时间内从固体样品中不断更新，其自动拣选功能答应每周多拣选几千个样品。NIBR的化合物管理小组从2008年到2012年在重建其化合物流转才能方面作了重要的努力，主要包含两个方面：（a）从LC-MS质量操控的固体样品中为一切化合物样品（>1.2M）出产10mM储备溶液，以及（b）安装自动化体系以实现从试管中进行拣选和处理，并且在24小时内可吸附多达40k管的微量滴定板（见图2）。凭仗10mM的库存收集和图2中描述的自动化设置，在2015年诞生了NIBR挑选渠道。在2019年，根据进一步的规划迭代（包含学习和经验），在2015年的基础上诞生了第二个版别。药物筛选与评价
