Produkte
OCHEM - unsere Plattform zur Erstellung von in silico ADME/Tox Vorhersagemodellen.
Mithilfe von OCHEM lassen sich präsize Modelle für Substanzeigenschaften hocheffizient generieren.
- Webbasiertes, komplett integriertes Entwicklungssystem für Struktur-Eigenschafts- und Struktur-Wirkbeziehungen (QSPR, QSAR)
- Beinhaltet eine große Datenbank mit physikochemischen und ADME/T-Eigenschaften
- Benötigt lediglich Strukturinformationen
- Unterstützt die Identifikation von Wirkmechanismen
- Liefert Hintergrundinformationen für die frühe Phase der Wirkstoffentwicklung
- Erlaubt Zeit- und Kostenoptimierung durch Eliminierung überflüssiger Tests
- Erlaubt verteilte Modellierung in globalen Teams
- Unterstützt eine Vielzahl von bekannten Lern- und Molekülbeschreibungsverfahren, u.A.
- Associative Neural Networks, Fast Stagewise Multiple Linear Regression, K-Nearest Neighbors, Kernel Ridge Regression, SVM,
Partial Least Squares, Random Forests, Decision Trees
- E-state, ALogPS, MolPrint, GSFragment, Dragon, ISIDA, MOPAC, ADRIANA.Code, CDK, QNPR, ShapeSignatures, 'Inductive' descriptors,
MERA, MERSY, Vina Docking based descriptors, Chemaxon descriptors, Chiral Descriptors, ETM descriptors, Spectrophores
Mehr erfahren - oder selbst ausprobieren :
Wir bieten über das Helmholtz Zentrum München eine öffentliche Version der Entwicklungsumgebung an.
ePhysChem - schnelle und präzisen Abschätzung von physikochemischen und ADME/Tox-Eigenschaften.
Mithilfe von ePhysChem lassen sich physikalische Substanzeigenschaften präzise abschätzen.
- ePhysChem enthält AlogPS 3.01 zur logP- und logS-Vorhersage.
- ALOGPS 2.1 wurde bei verschiedenen Pharmaunternehmen getestet und hat wiederholt ausgezeichnete Resultate geliefert (siehe VCCLAB).
- Kürzlich wurde ALOGPS als "bestes Standardwerkzeug" für die logP-Vorhersage auf einer Reihe von in-house Daten bei Pfizer & Nycomed - im Vergleich zu 12 kommerziellen und 6 öffentlichen Ansätzen - bestätigt (Mannhold et al, 2009).
- Der Fehler lässt sich durch Anwendung der Selbstlernfunktion unserer Software weiter von 1,02 log-Einheiten auf 0,59 log-Einheiten reduzieren (Tetko et al, 2009).
(exemplarisch auf einem Testsatz von 95809 Pfizer-Molekülen)
- Darüber hinaus ermöglicht unsere Genauigkeitsbestimmung für Einzelvorhersagen, diejenigen 60% der Strukturen zu identifizieren, für die eine Vorhersagegenauigkeit von 0,33 log-Einheiten erreicht wird.
- ALOGPS 3.01 wurde mit dem gleichen Ansatz, Assoziativen Neuronalen Netzen, entwickelt. Das Modell basiert jedoch auf einem 50% größeren Datensatz von Molekülen für logP sowie einem fast 8-mal größeren Datensatz für Wasserlöslichkeit.
- Wir entwickeln derzeit neue Module für die Vorhersage von DMSO Löslichkeit sowie für die pKa Vorhersage.
