后期官能团化是改善药物分子性能的经济性方法，但是因为药物分子的化学结构非常复杂，导致药物分子的后期衍生化非常困难。

有鉴于此，苏黎世联邦理工学院Gisbert Schneider、罗氏创新中心(Roche Innovation Center) Rainer E. Martin、Uwe Grether、慕尼黑大学David B. Konrad等报道基于深度学习和高通量实验筛选，搭建了药物分子后期衍生化的平台，在考察后期官能团化的关键硼基化反应时，理论计算模型预测反应产物的误差达到4-5 %，而且对已知或未知反应物的反应分类准确率分别达到92 %和67 %，对主要产物的区域选择性准确性的F值达到67 %。

本文要点：

（1）

对23个市售药物分子衍生化的尝试过程中，非常准确的发现各种结构衍生化的可能性，而且对分子的立体结构和电子结构影响能够定量评价。

（2）

实现了一种简单并且用户友好的形式，很好的将深度学习和高通量实验结合用于后期官能团化。

参考文献

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