优化候选药物性质时，后期功能化Late-stage functionalizatio是一种经济方法。然而，药物分子的化学复杂性，往往使后期多样化极具挑战。
近日，世界著名医药企业之一 瑞士 罗氏有限公司（F.Hoffmann-La Roche Ltd.）David F. Nippa，Rainer E. Martin等，苏黎世联邦理工学院 (ETH Zurich) Kenneth Atz， Uwe Grether, Gisbert Schneider等，在Nature Chemistry上发文，报道开发了基于几何深度学习和高通量反应筛选的后期功能化平台。考虑到硼化borylation是后期功能化的关键步骤，计算模型预测了不同反应条件时的反应产率，平均绝对误差为4–5%，而对已知和未知底物新反应的反应性进行了分类，平衡准确度分别为92%和67%。准确捕获了主要产物的区域选择性，分类器F分数为67%。当应用于23种不同商业药物分子时，该平台成功地确定了许多结构多样化机会。量化了空间和电子信息对模型性能的影响，并介绍了一种全面、简单、用户友好的反应格式，并证明是无缝集成深度学习和高通量实验，以实现后期功能化的关键因素。
Enabling late-stage drug diversification by high-throughput experimentation with geometric deep learning. 基于几何深度学习，高通量实验实现了后期药物多样化。
图1: 硼化多样化机会和研究概述。
图2: 筛选板Screening plate和图神经网络Graph neural networks，GNN架构。
图3: 二元反应产物、反应产率和区域选择的预测结果。
图4: 硼化区域选择性预测的实例。
Nippa, D.F., Atz, K., Hohler, R. et al. Enabling late-stage drug diversification by high-throughput experimentation with geometric deep learning. Nat. Chem. (2023). https://doi.org/10.1038/s41557-023-01360-5https://www.nature.com/articles/s41557-023-01360-5https://www.nature.com/articles/s41557-023-01360-5.pdf声明：仅代表译者个人观点，小编水平有限，如有不当之处，请在下方留言指正！
