インシリコ創薬 | ファーマAIラボ

ADMETlab 3.0完全ガイド｜119項目をAIで一括予測する次世代の評価ツール

1. はじめに新薬候補化合物のADMET特性（吸収・分布・代謝・排泄・毒性）を早期に予測することは、創薬の成功率を高めるために不可欠です。しかし、ADMETは多様なエンドポイントから構成されており、それぞれを個別に評価 […]

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：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

1. はじめに：なぜ今、医療現場で「代謝経路データベース」が必要なのか現代の医療において、疾患のメカニズムを分子レベルで理解することは欠かせません。がん、糖尿病、自己免疫疾患など、多くの病態は「代謝（メタボリズム）の異