产品介绍

BDE-Chem的重要功能之一为构效关系分析，聚拢提取了所有来自专利， 文献中的构效关系数据， 旨为帮助科研人员快速突出分子，突破专利，加速药物研发。

新药（First-in-Class，FIC）：通过对专有库进行虚拟筛选，以产生苗头化合物（Hit）和先导化合物（Lead）分子。

快速跟进（Fast Follow-on）：通过专利自动分析研究、结构-活性关系（SAR，Structure-Activity Relationship）信息提取及虚拟筛选和设计，针对某些具有市场潜力的药物或候选药物（包括刚上市的新药及正处于临床研究但上市机会很大的候选药物）快速跟进研究并避开这些药物专利。

老药新用（Repurposing）：针对现有、失败或天然产品进行分析，实现活性成分改良，或新剂型、新工艺、新途径，新复方制剂开发、或新适应症发现等。

成药性（Drug-Likeness）：基于ADMET及其它新能分析，判断成药的可能性。

构效数据分析

对上万篇专利进行了母核、基团、相似性、侧链等分析。根据用户输入的专利号，可一键获取专利分析报告，并且可给予分析结果预测出可能突破专利的化合物。

构效数据检索

BDE-Chem的数据提取工具AutoPatent功能模块， 对全球的专利、文献数据进行了自动提取， 可满足药物研究者及计算机人员对数据的检索/使用需求。

亲和力预测

基于深度学习模型，BDE-Chem亲和力模块能准确地预测靶点（蛋白）——分子（化合物）之间的亲和力数据（CPI），在大规模分子库中快速筛选出给定靶点的潜在活性化合物。基于大规模活性数据库，模型具有更好的预测精度和泛化性能，同时可以专为靶点进行数据收集与模型微调，以获得更优的表现。

三维结合构象预测

基于公司自研模型，BDE-Chem构象预测模块能够高精度地预测药物分子与靶点的结合模式，分析药物分子和靶点间的相互作用，为基于三维靶点结构的药物设计提供可靠的支持。

ADMET预测

基于独有数据资产和全面的算法模型，BDE-Chem的ADMET模块提供丰富的ADMET属性预测服务以及结合用户私有数据的AI模型构建功能，从药化学家工作场景出发，以实际需求为导向收集数据并构建模型，通过持续的数据更新提供迭代优化的最佳模型。

分子生成和优化