破译SAR
Flare的Activity Atlas与Activity Miner两个组件让你能够理解支配配体SAR的形状与静电特征。
Activity Atlas：总结SAR
Activity Atlas可以直观地总结系列的配体SAR，基于贝叶斯分析生成以下信息丰富的3D映射图：
- 活性分子的平均静电与形状特征
- 依据Activity Miner的差值比矩阵得到的活性悬崖信息
- 已经探索到的静电与形状区域
Activity Atlas对于那些没有足够化合物来构建定量SAR模型的项目团队特别有用，并有助于解释定量机器学习模型。
与蛋白质静电场的3D等值图结合使用，Activity Atlas的等值图是深入了解配体系列的 SAR 的强大工具。
Activity Miner：快速、可靠地了解SAR的关键点
Activity Miner通过分析活动和选择性悬崖来突出SAR发生重大变化的关键区域，从而实现复杂SAR的快速导航。
多种数据可视化方法可帮助您找到SAR 中可观察到活动悬崖的关键分子对。对于每一对，Activity Miner会向您展示静电和形状特征的差异之处，从而了解如何设计具有更好性质的化合物。
不同的视图使您能够专注于 SAR 的不同方面。
健壮的QSAR模型用于活性预测
建立的定量模型来预测新化合物的活性与ADMET 特性，并对化合物进行优先性排序以便将最佳的分子送去合成。
Field QSAR：兼具预测性与解释性
Field QSAR模型可提供SAR数据的全局视图。 当SAR数据变化平稳(分子的微小变化会导致活性的微小变化)时工作得很好。在获得稳健模型的情况下，它可以有效地用于预测新分子设计的活性，帮助确定合成的优先级。除了用于预测活性之外，还可以研究特定化合物与模型的拟合，以了解设计的有利或不利因素。 这为改进设计提供了反馈，但也有助于解释模型以及特定化合物活性很高或很低的原因。
机器学习模型：用于活性预测与ADMET性质预测
机器学习可用来构建预测性定量SAR模型，选择几种稳健且经过充分验证的机器学习方法，或者使用所有方法然后让 Flare选择其中最佳方法。
当生物活性数据是真实值（如 pKi 或 pIC50 时），此时可以建立回归定量模型；当生物活性表示为定性或一个范围的数据时，此时可以建立分类模型。
机器学习方法可以使用Flare 的3D描述符（叠合完毕分子的形状与静电场或自定义的3D/2D描述符）可以用来构建生物活性预测模型，还可以用于开发 ADMET性质预测的QSAR模型。
