工作流程
SYNSIGHT 核心团队认为 AI 在药物发现方面的优势来自于数据的高质量和高稳健性。SYNSIGHT 模型是疾病的多参数集成模型，涵盖多维度实验数据和深度学习模型。
SYNSIGHT 的工作流程主要由实验和化学信息学之间的迭代循环组成。
生物
高内涵筛选
表型分析使评估分子在筛选过程中对特定病理表型的影响成为可能. 收集和分析的数据用于训练第一个生成模型，以设计出满足定义表型的新的分子实体。
高内涵筛选可以通过观察数千个细胞现象来检测高通量相互作用并获得大量可靠的数据。高内涵成像仪可以获取高通量和高分辨率的荧光图像（每天超过 60,000 张图像）。60 000 images per day).
MICROTUBULE BENCH: 基于靶点和基于表型两种方法之间缺失的纽带
SYNSIGHT 开发了 Microtubule Bench 技术 (MT bench®)，使其从科研手段演变为产业化细胞测试技术，以通过显微镜筛选分子。自 2021 年以来，这项技术可成功识别和量化小分子对 PPI 或蛋白质和核酸之间的调节作用。
MT bench是一项可直接从细胞内部评估药物功效的强有力技术。
它可以在细胞环境中提供定性和定量信息。MT bench 是唯一的小分子靶向 RNA的细胞技术。它正是生成数据和获取候选药物行为全面信息之间的缺失环节。这种新的生物测定技术是 SYNSIGHT 平台的基石，并开启了一系列具有挑战性的应用，例如 PROTAC、激酶的下游筛选或细胞聚集。
人工智能和化学信息学
深度学习模型合理引导候选分子的生成，更快地获取最有潜力的分子。这些参数优化模型是从以下的多尺度数据中训练出来的：
01.
在细胞中的功效
（图像分析）
02.
细胞中的靶点结合（MICROTUBULE BENCH)
03.
分子水平的靶点结合
（体外）
这种方法非常有效，因为使用细胞表型作为唯一的媒介，我们可以设计出多种可以诱导相同的表型的分子结构。
这将使获得能够产生新分子途径和未知靶点所寻求的表型的分子成为可能。我们可以开发逆转表型筛选过程的 GAN 模型，以从表型图像中预测候选分子结构。
@SYNSIGHT2021. ALL RIGHTS RESERVED.
Genopole Entreprises
4 rue Pierre Fontaine
91058 EVRY
FRANCE
