MOLECULAR DOCKING-ENABLED MODELING OF DNA-ENCODED LIBRARIES

• Main Authors: KARALETSOS, Theofanis, CHEN, Benson, SHMILOVICH, Kirill, SULTAN, Mohammad Muneeb
• Format: Patent
• Language: English; French
• Published: 06.06.2024
• Subjects: INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTEDFOR SPECIFIC APPLICATION FIELDS; PHYSICS

Embodiments of the disclosure involve training machine learned models using DNA-encoded library experimental data outputs and for deploying the trained machine learned models for conducting a virtual compound screen, for performing a hit selection and analysis, or for predicting binding affinities between compounds and targets. Machine learned models are trained using one or more augmentations that selectively expand molecular representations of a training dataset. Furthermore, machine learned models are trained to account for confounding covariates, thereby improving the machine learned models' abilities to conduct a virtual screen, perform a hit selection, and to predict binding affinities. Des modes de réalisation de la divulgation consistent à entraîner des modèles à apprentissage automatique au moyen de sorties de données expérimentales de banque codée par ADN, et à déployer les modèles à apprentissage automatique entraînés pour réaliser un criblage virtuel de composés, sélectionner et analyser les résultats ou prédire des affinités de liaison entre des composés et des cibles. Des modèles à apprentissage automatique sont entraînés au moyen d'au moins une augmentation qui étend de façon sélective les représentations moléculaires d'un ensemble de données d'entraînement. En outre, lesdits modèles à apprentissage automatique sont entraînés à prendre en compte les covariables confondantes, ce qui améliore la capacité des modèles à apprentissage automatique à effectuer un criblage virtuel, à sélectionner les résultats et à prédire des affinités de liaison.