Deepchem

Introducció#

Durant les primeres etapes del descobriment de fàrmacs, el cribratge virtual basat en intel·ligència artificial/aprenentatge automàtic/aprenentatge profund s’ha convertit en una eina essencial.

En aquesta eina, s’utilitza un model entrenat per examinar (provar)

• un catàleg de molècules petites per identificar potencials candidats a fàrmacs contra una proteïna objectiu (per al descobriment de fàrmacs) o proteïnes d’un organisme contra un fàrmac (per a la reutilització de fàrmacs).

L’objectiu és o bé predir

• si la molècula petita interactua amb la proteïna o no (anomenada predicció d’interacció fàrmac-diana que requereix un model classificador amb una sortida binària) o

• un valor d’afinitat entre la molècula petita i la proteïna (anomenada predicció d’afinitat fàrmac-diana que requereix un model de regressió amb una sortida de valor continu).

Els mètodes de cribratge virtual basats en aprenentatge automàtic es poden categoritzar en dos tipus segons l’entrada:

• basat en lligand (només el compost/lligand es dona com a entrada) i
• entrada per parelles (tant el compost/lligand com la proteïna es presenten com a entrada).

DepChem#

https://www.openchemistry.org/gsoc/

DeepChemm

uv install deepchem

Linux#

Instal·la Uv:

curl -LsSf https://astral.sh/uv/install.sh | sh
source $HOME/.local/bin/env

We are going to use a model based on tensorflow, because of that we’ve added [tensorflow] to the uv add command to ensure the necessary dependencies are also installed

uv init chem
cd chem
uv add deepchem tensorflow[and-cuda]

Instal.la PyCharm

tar xzf pycharm-*.tar.gz -C
cd pycharm-*/bin
sh pycharm.sh