Isoharmine
Isoharmine
Verificar en isomerdesign
SMILES:COC1=CC2=C(C=C1)NC1=C(C)N=CC=C21
InChI:InChI=1S/C13H12N2O/c1-8-13-10(5-6-14-8)11-7-9(16-2)3-4-12(11)15-13/h3-7,15H,1-2H3
InChI key:XYYVPBBISSKKQB-UHFFFAOYSA-N
Verificar en isomerdesign
SMILES:COC1=CC2=C(C=C1)NC1=C(C)N=CC=C21
InChI:InChI=1S/C13H12N2O/c1-8-13-10(5-6-14-8)11-7-9(16-2)3-4-12(11)15-13/h3-7,15H,1-2H3
InChI key:XYYVPBBISSKKQB-UHFFFAOYSA-N
Poder identificar moléculas similares a la que estudiamos puede permitir inferir algunas de sus propiedades. Hay varias formas de medir la similitud entre moléculas, por su estructura, efectos, interacciones farmacológicas, etc. A continuación, puedes encontrar moléculas similares según varios criterios y herramientas que desarrollamos. Para comprender las limitaciones de estas comparaciones, es crucial referirse siempre a la metodología utilizada para medir esas similitudes.Ten en cuenta: Esta información se proporciona únicamente con fines informativos y no debe interpretarse como asesoramiento médico.
Para medir la similitud estructural, utilizamos el método de Mol2vec Mol2Vec, que es una red neuronal que procesa moléculas y las transforma en puntos en el espacio, de modo que las moléculas con subestructuras químicamente relacionadas se transforman en puntos cercanos en el espacio.
Descargo de responsabilidad: La información proporcionada en este sitio web sobre las referencias legales de las moléculas es solo con fines informativos y no constituye asesoramiento legal. Aunque nos esforzamos por mantener la información actualizada y precisa, las leyes y regulaciones pueden cambiar con el tiempo. Por lo tanto, no podemos garantizar la integridad, exactitud o aplicabilidad de la información proporcionada. Es importante consultar siempre los textos legales originales y hablar con un profesional legal calificado antes de tomar decisiones basadas en la información proporcionada en este sitio web.
Utilizando el modelo de KGPT Aprendizaje Profundo, predecimos varias propiedades de la molécula. Las predicciones se agrupan según el conjunto de datos que se utilizó para obtener esas predicciones. Junto con cada predicción, proporcionamos un gráfico que muestra la distribución de los valores predichos en el conjunto de datos de entrenamiento/prueba/validación. Esto da una estimación de la confiabilidad del modelo.
En lo siguiente, proporcionamos un análisis más avanzado sobre las interacciones de una molécula con el metabolismo humano, sitios de acoplamiento, etc.
Utilizamos un modelo de Aprendizaje Profundo para predecir las interacciones de esta molécula con el metabolismo. Consulta la fuente para entender la metodología.