spacers

Glycomimetics are designed to mimic the structure of natural carbohydrates and modulate their disease-related functions. Macrocyclic glycomimetics are an extremely interesting class of glycomimetics as they occupy space between small and macro molecules. Macrocyclic glycomimetics are mostly represented by naturally occurring molecules derived from marine microorganisms and bacterial or fungal metabolites.

MCE 50K 类药多样库由 50,000 种类药化合物组成。依据谷本相似性（Tanimoto Coefficient）及聚类算法（Bemis-Murcko）对上百万化合物进行筛选以确保结构多样性。优选的 5 万化合物平均谷本相似数为 0.52，共包含 36,857 个化合物簇且每簇仅包含 1-7 个化合物。除此之外，确保每簇化合物具有尽可能多的官能团，从而实现化合物库取代基、官能团、立体化学、骨架多样，占据广泛的“化学空间”。本多样性库具备新颖性、类药性，化合物结构类型多样、化学空间丰富，库中化合物可重复供应，是新药研发的有力工具，可以广泛地应用于高通量筛选（HTS）和高内涵筛选（HCS）。

MCE 1M Drug Fragment-Based Diversity Library 由 100 万种类药化合物组成。该分子库中的每个化合物都含有至少 1个 较复杂的药物片段，这些药物片段来自 FDA批准的 2,946 个药物分子，以提高化合物的类药性。计算化合物的 BMS (Bemis-Murcko Scaffold) 骨架后，每个 BMS 骨架选择 1~3 个药物片段数较高的化合物，以占据更广泛的“类药化学空间”。

本多样性库具备类药性，化合物骨架多样性等特性，是发现先导化合物的有力工具，可以广泛应用于AI药物筛选、大型虚拟筛选等。

该化合物库采用骨架导向设计策略，每个独特的Bemis Murcko含有2个精心设计的衍生物分子，既保证了化学空间广泛覆盖（骨架多样性），也兼顾了在骨架结构基础上丰富官能团结构，为每个化学骨架提供初步的结构-活性关系探索能力，为后续的快速优化奠定基础，是高效药物发现的有用工具。

MCE Drug Fragment Library 由 1,168 个药物片段组成。这些药物片段来自 2,946 个 FDA 已批准的药物分子。同一药物的不同片段可以出现在其他药物中，这些片段和 PK/PD 性质存在一定的相关性，基于片段的筛选可以为后续优化结构预留出足够的化学空间。该化合物库是 FBDD（基于片段的药物设计）药物筛选的必备工具。

非天然氨基酸（UAAs），又称非经典氨基酸、非蛋白原氨基酸，是区别于20种标准天然氨基酸的一类氨基酸，可通过化学合成、生物合成等方式获取，结构多样性远超天然氨基酸。主要包括自然界存在的非经典氨基酸、化学合成氨基酸及生物合成氨基酸，为蛋白质功能设计提供了分子基础。

非天然氨基酸在多领域展现出重要价值，可优化肽类药物和肽模拟物的药代性质，改造酶功能并赋予新的生物活性，克服了传统肽类药物的局限性，扩大了药物化学空间。同时可作为分子探针解析蛋白质相互作用和研究蛋白质功能调控机制。

MCE收集整理的非天然氨基酸片段库包含了近千个非天然氨基酸片段，其覆盖药化空间广泛，更具结构多样性，可广泛应用于肽合成、药物设计和蛋白质工程中。

天然产物结构多样，展现出了良好的生物活性及理想的药理特性，在药物开发中具有较大吸引力。天然产物的核心骨架还可以提供经过生物学验证的，含多种官能团的结构框架。受生物活性天然产物的启发，天然产物类似物与天然产物具有相同的化学空间，非常适合探索和促进对生物学通路的理解。

MCE 收录了 758 个结构上与类固醇、单宁、黄酮、醌类、异喹啉类等结构类似的天然产物类似物，是新药开发中先导化合物的重要来源。

MegaUni 库为运用生成式人工智能技术，构建出的兼具新颖性、类药性、多样性、可合成性的超大化合物库。适用于AI药物筛选、大型虚拟筛选等。

MCE 依托强大的计算能力，基于高质量的 40,662 个分子砌块，匹配合适的反应规则，选择最优的化合物生成策略，去除合成难度高、类药性低、PAINS等不利化合物后，进一步分析化合物骨架，优选出类药多样性分子组成虚拟库。随后随机挑选库中分子，进行合成验证，再次剔除合成难度高的分子，经迭代优化后，最终生成含 1000 万可合成类药多样性分子的 MegaUni 10M Virtual Diversity Library。

库中化合物仅需1-2步化学反应即可合成，借助 MCE 经验丰富的化学合成团队，可以轻松实现从 mg 级到 kg级等不同量级的定制合成，满足不同客户需求。

基于片段的药物开发 (FBDD) 是可应用于科学研究和商业化的药物开发方法，可增强对一些 “不可成药物” 靶点的识别。基于片段的药物开发发现了低分子量配体 (<300Da) 能够与相关大分子结合。这些片段分子可以覆盖广阔的化学空间，易于后期进行结构优化。目前，已经有多种基于片段开发发的药物进入临床试验，其中 Vemurafenib 和 Venetoclax 两种药物已经获得批准上市。

MCE 基于 Tanimoto 系数，使用相似性算法，从大规模的片段分子中精心挑选了 2,259 个高结构多样性的符合 ‘RO3’ 片段分子，可应用于基于片段的药物开发。

拟肽化合物是一类药效团在三维空间中模拟天然肽或蛋白质，并保留与生物靶标相互作用的能力，产生相同的生物效应的化合物。拟肽化合物的设计是为了规避一些天然肽自身存在的问题：如对蛋白水解作用的稳定性(活性持续时间)和较差的生物利用度，某些其他性质，如受体的选择性或效能，往往可以得到很大的改善。拟肽的设计和合成是非常重要的，因为在分子识别和信号传递中，尤其是在生命系统中，肽和蛋白-蛋白相互作用起着主导作用。因此，拟肽类化合物在新药开发中具有巨大潜力。

MCE 拟肽类化合物库包含 369 种小分子化合物，包括类肽，α-螺旋类似物，β-折叠类似物等，是药物发现中研究构效关系不可或缺的工具。

DEL技术通过将每个小分子化合物与一个独特的DNA序列共价连接，实现在一个管子里面同时筛选上百万或者上亿的化合物。传统的DEL筛选主要是发现非共价结合分子，这些分子与靶点之间的相互作用是可逆的。然而，共价DEL（CoDEL）则是在化合物中引入具有亲电反应活性的共价弹头，这些弹头能够与靶蛋白上特定的氨基酸残基（如半胱氨酸、赖氨酸等）形成稳定的共价键，进而增强结合强度，延长其在靶点上的停留时间，并有可能克服传统非共价抑制剂面临的耐药性或脱靶等效应。

本库是一个先进的、高度多样的化合物集合，由35 个独立子库组成，总分子规模达1400万，涵盖超过14个经过试验验证的共价弹头，这些弹头可靶向半胱氨酸，赖氨酸，精氨酸，天冬氨酸和谷氨酸。通过构建多样化核心成药骨架并整合可控共价反应弹头进行建库，兼具结构多样性、反应特异性和靶点广谱性等特点，可用于高效快速发现高选择性共价抑制剂。

Natural products are an attractive source with varied structures that exhibit potent biological activities, and desirable pharmacological profiles. The core scaffold of a natural product can also provide a biologically validated framework upon which to display diverse functional groups. Inspired by bioactive natural products, natural product-like compounds, occupying the same chemical space, are ideally suited to explore and to facilitate understanding of biological pathways.

MCE 10K Natural Product-like Compound Library consists of 10,000 natural product-like compounds. Each compound has scaffold of natural products or Tanimoto coefficient >0.6 with natural products. The natural-likeness scoring of these compounds is >-2. What’s more, compounds in the library are drug-like and readily available for re-supply, making it a powerful tool for new drug research and development. It can be widely applied in high-throughput screening (HTS) and high-content screening (HCS).

历史上，天然产物在药物发现中起着关键的作用，特别是在癌症和传染病的治疗领域，其他的治疗领域也包括心血管疾病（如他汀类药物），多发性硬化症（如腺苷酯）等。过去的几十年里，FDA 批准的药物中大约有 40% 是天然产物，其衍生物或与天然产物相关的类似物。

MCE 5K Natural Product-like Compound Library 由 5,000 个类天然产物化合物组成，库中每个分子含有天然产物关键骨架（42个）或者和天然产物的谷本相似系数 >0.6，且 Natural-likeness scoring >-2。该化合物库同时具备类药性和新颖性，库中化合物可重复供应，是新药研发的有力工具，可以广泛地应用于高通量筛选（HTS）和高内涵筛选（HCS）。

大环化合物是指含有 12 元或更大环的分子，在小分子药物开发中越来越受到重视。主要原因包括：大环类化合物提供了新的化学空间，挑战新的蛋白质靶标，另外，一些大环类药物也显示出较好的药代动力学性能。大环类化合物对于比较具有挑战性的靶点的药物开发具有一定优势，特别是在调节大分子之间相互作用如蛋白蛋白相互作用方面。此外，大环化合物的大小和复杂性使其能够保证更大的空间分布的结合相互作用，从而增加结合亲和力和选择性。

MCE 提供 426 个大环类化合物，可以用于高通量筛选和高内涵筛选。MCE 大环类化合物库是新药开发的有利工具，尤其对于“难成药”靶点及蛋白互作的新药研发。

基于片段的药物开发（FBDD）非常适合先导化合物及功能探针的发现，片段化合物可以覆盖广阔的化学空间，也更易于后期进行结构优化。以片段化合物为基础的药物开发在制药行业已经相当成熟，已经有多种药物进入临床试验，其中vemurafenib和venetoclax两种药物已经获得批准上市。FBDD在学术界也同样具有很强的吸引力，尤其FBDD可以应对一些新颖，较难成药的靶点，这些靶点通常在现有的高通量筛选化合物库中没有有效的可与之匹配的化合物。

MCE 可以提供 23,342 种片段化合物，这些化合物均符合“类药3原则（RO3）”，即分子量≤300 Da，氢供体（H-donors）≤3，氢受体（H-acceptors）≤3，cLogP ≤3。MCE片段化合物库是先导化合物的重要来源。

环肽具有高亲和力、高选择性、适合靶向蛋白‑蛋白相互作用等优势，通过DEL 技术可实现亿级化合物库容量，DEL环肽库具有低成本、高效筛选等优势，可用于难药化靶点的先导化合物发现。

本环肽库以非天然氨基酸为核心构建单元，通过DNA兼容的化学反应合成，每个环肽分子由6个氨基酸构成，可含非天然氨基酸、侧链交联、二硫键、大环化等约束构象，稳定性与成药性显著优于线性肽，填补小分子与大分子生物药之间的空白。每个环肽分子唯一对应一段DNA 序列标签，用于分子识别与测序解码。

MCE环肽库有8个独立的子库，总分子规模达12亿，通过多轮的结构单元组合和多样化环化方式的建库策略构建，可用于高效发现环肽分子。

RNA 在生命活动调控的各个方面发挥着重要作用。随着对疾病机制的深入研究，RNA 的表达、剪切、翻译、稳定性调控等过程已成为疾病干预的新型靶点。通过小分子药物调节这些过程，可以为代谢疾病、遗传疾病和肿瘤患者提供新的治疗模式。

MCE 计算团队收集了 PDB、R-BIND、ROBIN 和内部数据库中的已知 RNA 靶向小分子作为阳性数据集，并从 ROBIN 中收集了非靶向 RNA 的小分子作为阴性数据集。基于 GeminiMol 预训练模型，对这些分子进行编码，并通过 Mordred 计算了 1700+ 分子描述符作为模型的输入。接着用 13 个深度学习模型对这些数据进行学习，所有模型都取得了良好的训练结果，AUROC均超过0.75。选择分类效果最好的 Finetune 模型（AUROC值：0.82，预测准确率：0.76）对 HY-L901P 进行筛选。进一步基于StaR Rules（cLogP≥1.5，Molar Refractivity≥4，Relative Polar Surface Area≤0.3）进行再过滤，最终获得 5,000 个具有潜在 RNA 相互作用活性的小分子化合物。该库同时具备结构多样性，是 RNA 靶向药物开发的有利工具。

大环化合物（通常指含 12 个及以上原子的环状小分子或肽）具有独特的物理化学性质，能形成预组织的受限构象，与靶点结合亲和力强、选择性高，可靶向传统小分子药物难以作用的蛋白，填补小分子药物与生物制剂之间的空白。激酶作为催化蛋白质磷酸化的关键酶，其功能失调与肿瘤、慢性阻塞性肺疾病、肺动脉高压等多种疾病的发生发展密切相关，是极具价值的治疗靶点。传统小分子激酶抑制剂普遍存在靶向选择性差，易产生脱靶毒性、生物利用度差、获得性耐药等问题。大环的半刚性结构可限制构象与提升亲和力从而实现选择性调控，还可以减小体积分子优化药代动力学性质，大环化策略逐渐成为激酶抑制剂优化的核心手段。

从 ChEMBL 数据库收集数以万计的活性大环化合物，基于 Transformer 架构，将大环化问题转化为 “化学语言翻译” 任务，简化分子线性输入规范，实现线性分子到大环分子的端到端生成。Macformer 通过深度学习实现了线性分子的高效、自动化大环化，生成的大环分子兼具化学多样性、新颖性和生物相容性，可以覆盖更广泛的化学空间。

MCE收集上千个已报道的上市或进入临床的激酶抑制剂，以这些激酶片段作为起始片段，进行环化生成， 进一步从可合成性以及理化性质方面进行评估，最终构建百万级的大环虚拟化合物库，可用于靶向激酶类靶点的虚拟筛选和AI筛选

大环化合物（通常指含 12 个及以上原子的环状小分子或肽）具有独特的物理化学性质，能形成预组织的受限构象，与靶点结合亲和力强、选择性高，可靶向传统小分子药物难以作用的蛋白，填补小分子药物与生物制剂之间的空白。激酶作为催化蛋白质磷酸化的关键酶，其功能失调与肿瘤、慢性阻塞性肺疾病、肺动脉高压等多种疾病的发生发展密切相关，是极具价值的治疗靶点。传统小分子激酶抑制剂普遍存在靶向选择性差，易产生脱靶毒性、生物利用度差、获得性耐药等问题。大环的半刚性结构可限制构象与提升亲和力从而实现选择性调控，还可以减小体积分子优化药代动力学性质，大环化策略逐渐成为激酶抑制剂优化的核心手段。

从 ChEMBL 数据库收集数以万计的活性大环化合物，基于 Transformer 架构，将大环化问题转化为 “化学语言翻译” 任务，简化分子线性输入规范，实现线性分子到大环分子的端到端生成。Macformer 通过深度学习实现了线性分子的高效、自动化大环化，生成的大环分子兼具化学多样性、新颖性和生物相容性，可以覆盖更广泛的化学空间。

MCE收集上千个已报道的上市或进入临床的激酶抑制剂，以这些激酶片段作为起始片段，进行环化生成， 进一步从可合成性以及理化性质方面进行评估，最终构建百万级的大环虚拟化合物库，可用于靶向激酶类靶点的虚拟筛选和AI筛选