后期官能團化是改善藥物分子性能的經濟性方法，但是因為藥物分子的化學結構非常復雜，導致藥物分子的后期衍生化非常困難。
有鑒于此，蘇黎世聯邦理工學院Gisbert Schneider、羅氏創新中心(Roche Innovation Center) Rainer E. Martin、Uwe Grether、慕尼黑大學David B. Konrad等報道基于深度學習和高通量實驗篩選，搭建了藥物分子后期衍生化的平臺，在考察后期官能團化的關鍵硼基化反應時，理論計算模型預測反應產物的誤差達到4-5 %，而且對已知或未知反應物的反應分類準確率分別達到92 %和67 %，對主要產物的區域選擇性準確性的F值達到67 %。
本文要點：
實現了一種簡單并且用戶友好的形式，很好的將深度學習和高通量實驗結合用于后期官能團化。
參考文獻
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)
DOI: 10.1038/s41557-023-01360-5
https://www.nature.com/articles/s41557-023-01360-5
