虚拟筛选通常依赖于计算机模拟和分子对接技术，通过计算分子间的相互作用来预测化合物的生物活性。人工智能 (Artificial
Intelligence，AI) 药物筛选是一种结合 AI
技术与计算化学的高通量筛选方法，广泛应用于蛋白结构预测、新药研发和分子设计与优化等领域。其主要目的是利用机器学习 (Machine
Learning，ML) 算法分析大量数据，从中学习规律，生成 AI 打分函数，以此提高筛选效率，加速候选药物的发现过程。
MCE AI 药物筛选平台综合使用分子对接、深度学习、分子动力学模拟等方法，借助高性能服务器，能够在最短数小时内完成数千万分子的筛选，真正实现快速、高效！
基于靶点的 AI 筛选
基于靶点的 AI 筛选通过机器学习中的深度神经网络、随机森林等算法及分子对接等技术，构建化合物化学结构与生物活性之间的关系模型，实现对药物化合物作用机制的快速预测。基于深度学习 (Deep Learning，DL) 模型预测蛋白质与小分子结合的 AI 筛选流程如下：
数据收集
•基于 PDBbind、ChEMBL、RCSB PDB 等公开数据集收集蛋白质结构数据以及小分子化合物数据 (结构、生物活性信息) 等，作为模型的输入。
特征提取
&bu
MCE AI 药物筛选平台综合使用分子对接、深度学习、分子动力学模拟等方法，借助高性能服务器，能够在最短数小时内完成数千万分子的筛选，真正实现快速、高效！
基于靶点的 AI 筛选
基于靶点的 AI 筛选通过机器学习中的深度神经网络、随机森林等算法及分子对接等技术，构建化合物化学结构与生物活性之间的关系模型，实现对药物化合物作用机制的快速预测。基于深度学习 (Deep Learning，DL) 模型预测蛋白质与小分子结合的 AI 筛选流程如下：
数据收集
•基于 PDBbind、ChEMBL、RCSB PDB 等公开数据集收集蛋白质结构数据以及小分子化合物数据 (结构、生物活性信息) 等，作为模型的输入。
特征提取
&bu
