ファームAIラボ

pkCSMの使い方と予測精度を徹底解説｜グラフベースAIでADMETを無料で一括予測

1. はじめに創薬研究において、候補化合物が体内でどのように吸収・分布・代謝・排泄され、どのような毒性を示すかを早期に予測することは、開発の成否を左右する極めて重要なプロセスです。臨床試験で脱落する化合物の多くはADM […]

1. はじめに新薬候補化合物の物理化学的性質や体内での吸収・分布・代謝・排泄（ADME）を早期に予測することは、創薬の成功率を大きく左右します。有望な活性を示す化合物であっても、体内に十分吸収されなかったり、代謝が速す

1. はじめに AI創薬の研究現場では、AlphaFoldなどの機械学習モデルが予測したタンパク質構造を「そのまま信じてよいのか」という疑問が常に付きまといます。予測構造の信頼性を正しく評価し、リガンドが結合しうるポケッ

１．はじめに構造ベース創薬（SBDD）において、タンパク質とリガンド（薬物候補分子）がどのように結合するかを正確に予測することは、新薬開発の成否を左右する極めて重要なステップです。しかし、従来の分子ドッキング手法には「

1. はじめに：なぜ今、GPUドッキングが必要なのか創薬研究において、バーチャルスクリーニング（VS）は候補化合物を効率的に絞り込むための重要なプロセスです。その中核を担う分子ドッキングは、タンパク質（受容体）とリガン

1. はじめに：チャットボットの次に来る「自律型AI」の正体現在、多くの医療現場でChatGPTのような対話型AIが活用され始めています。しかし、それらはあくまで「質問に答える」存在に留まっていました。今、私たちが注目

1. はじめに：なぜ今、天然物データベースが注目されるのか現代医療において、新薬開発の難易度は年々高まっています。その中で、再び注目を集めているのが「天然物」です。私たちが日常的に処方する医薬品の多くは、植物や微生物が

1. はじめに：AIが切り拓く安全な薬物治療の未来現代の創薬において、最も高いハードルの一つが「薬物毒性（DTX）」による開発中止です。膨大なコストと時間をかけて開発した候補化合物が、臨床試験（治験）の段階で予期せぬ毒

$BindingDBの機能と特徴をまとめたインフォグラフィック：290万件以上の結合データ、米国特許の活用、AI創薬への応用、主要な指標（$K_d$、$K_i$、$IC_{50}$）について解説$

1. はじめに：デジタル時代の創薬に不可欠な「知の宝庫」現代の創薬シーンは、従来の「偶然の発見」から「データ駆動型の設計」へと劇的な変貌を遂げています。その中心にあるのが、膨大な実験データを集約したデータベースの存在で

1. はじめに：医療の進化を支える「化学物質の共通言語」現代医療において、私たちが扱う情報の量は爆発的に増加しています。新薬の登場、代謝産物の解析、そしてゲノム情報との統合。これらの膨大なデータを整理し、意味を持たせる