【推荐】Hermite | 药物计算设计平台

深势科技
药物计算设计平台Hermite

唯思派wispass 02/07

在当今医药领域，药物研发面临着周期漫长、成本高昂以及成功率偏低等诸多挑战。每一款新药的诞生，都像是一场艰难的冒险，需要投入巨大的人力、物力和时间成本。深势科技的新一代药物计算设计平台Hermite一经发布，便迅速引发圈内热议和关注。Hermite平台的四大核心功能，对应着小分子药物设计领域的各项流程。下面就让我们一同深入了解一下吧！

核心功能

官网：https://www.dp.tech/product/hermite

网页版：https://hermite.dp.tech/desktop

帮助文档：https://hermite.dp.tech/tutorial/docs/newbie-tutorial/GeneralOperation/

Hermite®是深势科技打造的新一代药物计算设计平台，融合人工智能、物理建模和高性能计算，为临床前药物研发提供一站式计算解决方案：包括蛋白结构预测、药靶结合模式预测、苗头化合物筛选、先导化合物优化等核心功能模块。Hermite®提供了基于网页的交互式全新分子展示体验，支持跨窗口智能化协作、多样的分子展示和操作功能，方便了药物研发科学家对蛋白、药物分子及其模拟数据的查看、设计、计算、分析和分享等，同时支持本地和云上的私有化部署。

Structure Modeling	Protein Folding	基于Uni-Fold从蛋白质序列出发，预测蛋白质结构
	EM Structure Fitting	基于cryo-EM密度图的全原子结构模型柔性搭建工具
	Loop Optimization	蛋白柔性loop结构的构象优化
Virtual Screening	Docking	基于GPU加速、Uni-Mol优化结合pose的分子对接程序
	Induced Fit Docking	基于诱导契合理论的蛋白和配体的柔性对接
	Virtual Screening Workflow	整合Protein Preparation、Ligand Preparation、Docking和MM PB/GBSA，一站式完成超高通量虚筛
	Binding Stability	对蛋白-小分子复合物进行100 ns的全原子模拟以评估结合稳定性
	Pharmacophore Generation & Screening	基于药效团的虚拟筛选工具
Binding Affinity Evaluation	MM PB/GBSA Structure	衡量配体和靶点的结合亲和力
	FEP Calculation	基于自由能微扰理论、分子动力学模拟和高性能计算，评估一系列结构相近的候选药物分子（Ligands）与靶蛋白（Protein）的亲和力（Affinity）差异的工具
	FEP Analysis	FEP Calculation 或 FEP Recalculation的结果分析工具
	FEP Protein Mutation	在FEP计算过程中，支持蛋白中的氨基酸发生Alchemical Transform变化，精确计算点突变对蛋白质性质的影响（目前仅开放了预测突变前后蛋白热稳定性差异的功能）
	Aquasite	计算分析靶点口袋处水分子分布与稳定性
Biomacromolecule	Antibody Folding	根据轻链和重链的序列进行抗体结构预测
	Sequence Alignment	基于多序列比对算法（MSA）的蛋白质序列比对工具
	Antibody Numbering	基于抗体编号系统（支持：IMGT、Kabat、Chothia），对抗体序列的CDR区域进行标注的工具
	Antibody Humanization	基于数据库和统计模型，对抗体进行人源化改造的工具。支持CDR区标记和移植，人源抗体，并提供图形化功能进行抗体人源化改造
	Antibody Properties	基于数据库和统计模型，对抗体的可开发性（包括：粘度、聚集性、清除率、等电点、消光系数等）进行评估的工具，同时支持对抗体可变区（Fv）进行结构建模
	Nanobody Properties	基于数据库和统计模型，对纳米抗体的可开发性（包括：聚集性、清除率、等电点等）进行评估的工具
	PTM Prediction	基于人工智能算法，对蛋白质翻译后修饰（PTM）位点（例如：磷酸化、糖基化、泛素化、亚硝基化、甲基化、乙酰化等）进行预测的工具
	Protein-Protein Docking	基于快速傅里叶变换（FFT）算法的蛋白-蛋白刚性对接工具
	Protein-Protein Interaction	蛋白质与蛋白质之间的相互作用
	AI Protein Mutation	基于人工智能算法，融合蛋白质结构和动力学信息等多模态特征，快速预测蛋白质突变前后热稳定性差异的工具
Molecule Recommendation	VD-Gen	基于虚拟动力学(Virtual Dynamics)人工智能算法，依赖蛋白口袋的分子从头设计功能
	Similar Molecules Search	基于多种手段生成查询分子的分子指纹，匹配其和目标分子间的相似性
	Substructure Search	基于子结构的SMARTS匹配目标分子相同的部分
	Maximum Common Substrucrture	寻找一批分子中的最大公共子结构
	Compound Clustering	根据分子指纹将性质相似的分子聚集到一类中
	Uni-QSAR	基于人工智能（深度学习，机器学习）多种模型联合的定量构效关系（QSAR）建模和预测工具，并在分子1D和2D描述符的基础上，加入了基于分子3D结构预训练模型（Uni-Mol）的全新3D分子描述符，大大提高了QSAR模型的准确性
	Uni-QSAR Analysis	Uni-QSAR模型性能比较与分析工具
General	Protein Preparation	对蛋白进行处理以用于后续任务
	Ligand Preparation	对配体进行处理以用于后续任务
	Protein Alignment	对蛋白质结构进行3D叠合（根据：backbone，Ca，sidechain）的工具，并支持多个蛋白结构的叠合操作

Protein Folding——基于Uni-Fold的蛋白质多聚体结构预测与评估

Hermite平台中的Uni-Fold模块，成功复现了AlphaFold2的全规模训练，Uni-Fold做到精度与AlphaFold 2接近，但效率比AlphaFold 2 显著提升，并克服了AlphaFold 2未开源训练代码、硬件支持单一、模型不可商用等局限性。

此外，Uni-Fold还在超大规模蛋白复合物预测上取得新突破，对包括离子通道、新冠病毒刺突糖蛋白等在内的对称蛋白的进一步研究具有重大意义。

其可实现蛋白质单体及蛋白多聚体的结构预测。蛋白预测结果显示于 3D Workspace 界面中，预测的Uni-Fold_4PYP结构的pLDDT得分和 distance map 图显示该结构具有较高的置信度。pLDDT 打分越高，说明此氨基酸预测越准确。

Protein-Protein Docking

在Hermite中，可以使用Protein-Protein Docking来实现蛋白-蛋白的对接计算。

Uni-Docking在保持筛选精度的前提下，在GPU上实现了比单核CPU 1600倍的加速，最快0.5小时可完成1200万可采买分子数据库的筛选。

与MM GB/PBSA组成虚拟筛选工作流后，准确性还能进一步得到提升，将千万级分子数据库的虚拟筛选推入可及、可用、可靠的时代。

蛋白结构的叠合图像结果显示于3D Workspace窗口，界面右侧出现Protein Alignment Result窗口显示蛋白的比对结果。

官方操作手册：https://hermite.dp.tech/tutorial/docs/newbie-tutorial/5PPDocking_t/5PPDocking

Uni-QSAR

QSAR全称为“定量构效关系（Quantitative Structure-Activity Relationship）”，是一种通过数学模型来描述化合物结构与其活性之间关系的方法。这种方法基于积累的历史数据，利用AI技术去构建分子结构与其目标性质的关系，从而帮助研发人员对目标集合的分子性质进行合理高效的预测，目前已经广泛应用于药物设计、环境毒理学、化学品安全评估等领域。一般来说，QSAR方法主要包括以下步骤：收集和整理活性数据和分子结构信息，选择和提取特征描述符，建立统计模型，验证和评估模型的预测能力。

深势科技团队发布的Uni-Mol based Auto-QSAR (Uni-QSAR)是一套基于Uni-Mol 模型开发的自动化分子属性预测工具，可用于自动构建模型来拟合化合物的化学结构与目标属性之间定量关系。在Hermite®平台的Uni-QSAR模块，您只需提交SMILES格式的分子式和分子活性/性质信息，即可方便快速地进行基于机器学习和深度学习方法的QSAR模型构建并获得预测结果。