1-PP
1-PP
Vérifier sur isomerdesign
Pyrimidinylpiperazine
Vérifier sur wiki
SMILES:C1=CN=C(N2CCNCC2)N=C1
InChI:InChI=1S/C8H12N4/c1-2-10-8(11-3-1)12-6-4-9-5-7-12/h1-3,9H,4-7H2
InChI key:MRBFGEHILMYPTF-UHFFFAOYSA-N
Vérifier sur isomerdesign
Vérifier sur wiki
SMILES:C1=CN=C(N2CCNCC2)N=C1
InChI:InChI=1S/C8H12N4/c1-2-10-8(11-3-1)12-6-4-9-5-7-12/h1-3,9H,4-7H2
InChI key:MRBFGEHILMYPTF-UHFFFAOYSA-N
Pouvoir identifier des molécules similaires à celle que nous étudions peut permettre d'inférer certaines de ses propriétés. Il existe plusieurs façons de mesurer la similitude entre les molécules, par leur structure, leurs effets, leurs interactions pharmacologiques, etc. Vous pouvez trouver ci-dessous des molécules similaires selon divers critères et des outils que nous avons développés. Pour comprendre les limitations de ces comparaisons, il est crucial de se référer toujours à la méthodologie utilisée pour mesurer ces similitudes.Veuillez noter : Ces informations sont fournies uniquement à des fins informatives et ne doivent pas être interprétées comme des conseils médicaux.
Pour mesurer la similarité structurelle, nous utilisons la méthode Mol2vecmol2vec, qui est un réseau neuronal qui traite les molécules et les transforme en points dans l'espace, de telle sorte que les molécules avec des sous-structures chimiquement apparentées soient transformées en points proches dans l'espace.
Avis de non-responsabilité : Les informations fournies sur ce site web concernant les références légales des molécules sont fournies à titre informatif uniquement et ne constituent pas des conseils juridiques. Bien que nous nous efforcions de maintenir les informations à jour et exactes, les lois et réglementations peuvent changer au fil du temps. Par conséquent, nous ne pouvons garantir l'exhaustivité, l'exactitude ou l'applicabilité des informations fournies. Il est important de se référer toujours aux textes légaux originaux et de consulter un professionnel qualifié du droit avant de prendre des décisions basées sur les informations fournies sur ce site web.
En utilisant le modèle de KGPT Deep Learning, nous prédisons plusieurs propriétés de la molécule. Les prédictions sont regroupées par l'ensemble de données utilisé pour les obtenir. Avec chaque prédiction, nous fournissons un graphique montrant la distribution des valeurs prédites sur l'ensemble d'entraînement/test/validation. Cela donne une estimation de la fiabilité du modèle.
Nous fournissons des analyses plus avancées sur les interactions d'une molécule avec le métabolisme humain, les sites de liaison, etc.
Nous utilisons un modèle d'apprentissage en profondeur pour prédire les interactions de cette molécule avec le métabolisme. Consultez la source pour comprendre la méthodologie.