让 AI 制药技术更普惠
基于自主研发的深度学习算法与云计算技术相结合，建立以 AI 为驱动的药物发现平台，以新颖性、可合成性为立足点，致力于帮助用户减少寻找疾病新靶标及潜在治疗药物的时间和资金成本。
靶标口袋发现与管理
靶标口袋建档为 MolProphet™ 平台的基础功能，完成对靶标口袋的快速准确预测，并将结果归集到同一档案中
已知靶标口袋数据
预处理 18 万已知 PDB 共晶结构，口袋信息随时调用。
未知靶标口袋预测
上传本地蛋白质文件，AI 自动预测、识别可能的靶标口袋。
自定义口袋
专家选择关键氨基酸残基，AI 根据规则补充生成完整口袋。
口袋分享信息保密
口袋信息仅存项目中，仅对用户指定的分享对象展示，不会产生数据泄露。
Hit/Lead Discovery
通过多种分析工具多维度评判配体分子，快速发现高质量、可专利、易合成、骨架新颖的潜在活性分子
基于结构虚筛
基于贝叶斯主动学习能够在巨大的分子空间 “聪明” 地采样，快速有效地探索新结构分子，同时兼顾昂贵的湿实验结果数据，形成活性分子地图空间，多轮迭代发现活性分子。
基于配体虚筛
二维相似性虚筛：基于图神经网络表征二维结构在商业化合物库中进行筛选；
三维相似性虚筛：提取小分子三维结构，在商业化合物库中进行基于 3D 药效团的相似性筛选。
AI 分子生成
基于几何深度学习算法，学习靶标口袋、小分子结构信息；通过强化学习采样算法和受体柔性构象算法，同时优化配体分子的结合构象，以预测分子与靶标口袋结合的最低自由能。
Lead to Candidate
多维度优化分子结构，提高活性、类药性、ADMET 属性
基于整体优化
拓展潜在活性小分子，以 building block 为基础，建立整体分子优化功能；帮助用户拓展具有高质量、可专利、易合成、骨架新颖的潜在活性分子，提高项目的成功率。
基于母核优化
依托自建的 MPO 多属性优化算法，搭建了基于母核的小分子优化功能；在保证母核结构基本不变的情况下，提升化合物的活性、类药性。
基于基团优化
针对特定基团进行优化，定向优化 ADMET，并在多轮迭代中实现整体属性的平衡；解决先导优化阶段面临的关键属性优化相关问题；并通过多轮迭代的方式，加速整体药物研发项目的进程。
基于整体优化
基于母核优化
基于基团优化
拓展潜在活性小分子，以 building block 为基础，建立整体分子优化功能；帮助用户拓展具有高质量、可专利、易合成、骨架新颖的潜在活性分子，提高项目的成功率。
