# Chemia i odkrywanie leków EN: **Chemistry and drug discovery** · id `chemistry` · aliases: molecular machine learning, AI drug discovery, cheminformatics, chemoinformatyka, projektowanie leków Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [AI w nauce](https://aiatlasgraph.com/t/aiscience.md) › Chemia i odkrywanie leków ## Description - PL: Modele dla małych cząsteczek: przewidywanie właściwości, generowanie nowych struktur, dokowanie do białek i planowanie syntezy. - EN: Models for small molecules: property prediction, generating new structures, docking to proteins and synthesis planning. ## In one sentence - PL: Uczenie maszynowe pomagające wybierać, projektować i oceniać cząsteczki, zanim chemik je zsyntetyzuje. - EN: Machine learning that helps choose, design and assess molecules before a chemist synthesises them. ## Problem it solves - PL: Możliwych cząsteczek przypominających leki jest niewyobrażalnie dużo, a każda synteza i test to tygodnie pracy. - EN: There are unimaginably many possible drug-like molecules, and each synthesis and test takes weeks of work. ## What it does - PL: Działa jak sito przed laboratorium: odrzuca na komputerze tysiące słabych kandydatów i zostawia garść wartych sprawdzenia. - EN: It works like a sieve in front of the lab: it discards thousands of weak candidates on a computer and leaves a handful worth testing. ## Everyday example - PL: Firma farmaceutyczna przesiewa na komputerze miliony związków, a do probówek trafia tylko kilkaset najbardziej obiecujących. - EN: A drug company screens millions of compounds on a computer, and only a few hundred of the most promising reach the test tubes. ## This concerns you if you… - PL: pracujesz w farmacji, chemii lub biotechnologii - PL: ciekawi cię, jak skraca się drogę do nowego leku - EN: work in pharma, chemistry or biotech - EN: are curious how the road to a new drug gets shorter ## Keywords RDKit · DeepChem · MoleculeNet · SMILES · molecular fingerprints · QSAR · ADMET prediction · retrosynthesis · virtual screening ## How it works - PL: Cząsteczki reprezentuje się jako napisy SMILES, bitowe odciski palców, grafy atomów lub chmury 3D. Na tych reprezentacjach działają modele właściwości, generatory kandydatów i modele wiązania, które razem przyspieszają cykl projektuj–syntetyzuj–testuj–analizuj. - EN: Molecules are represented as SMILES strings, bit fingerprints, atom graphs or 3D point clouds. Property models, candidate generators and binding models work on these representations and together speed up the design–make–test–analyse cycle. ## Limits - PL: Zbiory danych są małe, niezbalansowane i zaszumione, a losowy podział zawyża wyniki. Wygenerowane cząsteczki bywają trudne do syntezy; obliczenia nie zastąpią testów toksyczności i badań klinicznych. - EN: Datasets are small, imbalanced and noisy, and random splits inflate results. Generated molecules can be hard to synthesise; computation cannot replace toxicity testing and clinical trials. ## Key terms - PL: **SMILES**: Zapis budowy cząsteczki jako krótkiego napisu z liter i znaków. - PL: **ADMET**: Właściwości leku w organizmie: wchłanianie, rozkład, metabolizm, wydalanie, toksyczność. - PL: **podział wg rusztowań**: Test na cząsteczkach o innym szkielecie niż treningowe, by uniknąć zawyżonych wyników. - EN: **SMILES**: A molecule's structure written as a short string of letters and symbols. - EN: **ADMET**: A drug's behaviour in the body: absorption, distribution, metabolism, excretion, toxicity. - EN: **scaffold split**: Testing on molecules with different core structures than training ones, avoiding inflated results. ## Know first - [Strategie podziału: losowy, czasowy, grupowy (Split strategies: random, temporal, grouped)](https://aiatlasgraph.com/t/splitstrategies.md) - [Uczenie nadzorowane (Supervised learning)](https://aiatlasgraph.com/t/supervised.md) ## Subtopics (4 direct, 4 in total) - [Dokowanie cząsteczek do białek (Molecular docking and binding prediction)](https://aiatlasgraph.com/t/docking.md): Predicting a ligand's binding pose in a protein and its binding strength; classically search with a scoring function, now also generative models and whole-complex prediction. - [Generowanie nowych cząsteczek (De novo molecule generation)](https://aiatlasgraph.com/t/moleculegen.md): Generative models (SMILES language models, graph models, 3D diffusion) and reward-driven optimisation for proposing new compounds, including directly inside a protein's binding pocket. - [Planowanie syntezy wstecznej (retrosynteza) (Retrosynthesis planning)](https://aiatlasgraph.com/t/retrosynthesis.md): Searching synthesis routes from a target molecule back to available starting materials: networks proposing reactions plus tree search (MCTS, A*). - [Przewidywanie właściwości cząsteczek (Molecular property prediction)](https://aiatlasgraph.com/t/molproperty.md): Regression and classification of physicochemical, biological and toxicity (ADMET) properties from a molecular representation. ## Sources - [MoleculeNet: A Benchmark for Molecular Machine Learning]() `moleculenet-2017` · by Zhenqin Wu, Bharath Ramsundar, Evan N. Feinberg, Joseph Gomes, Caleb Geniesse, Aneesh S. Pappu, Karl Leswing, Vijay Pande - [A Survey of Generative AI for De Novo Drug Design: New Frontiers in Molecule and Protein Generation]() `genai-drug-design-survey-2024` --- AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/chemistry · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30