在库设计中，已知的EZH2抑制剂被聚类成两个集群。然后，每个集群的化合物随机分为训练集和测试集。训练集用于开发贝叶斯和人工神经网络模型。这两种方法基于不同的分子描述符进行，如指纹、环数、氢供体和受体数、分子量、可旋转键数、LogP、PSA、拓扑描述符等。此外，训练集还被用作基于不同指纹的k-NN化合物选择的模板。测试集用于验证贝叶斯模型和神经网络。从仅活性EZH2抑制剂（截断为30 nM）中创建了九个训练集，用于药效团建模。药效团模型是基于这些集合构建的，并经过优化和验证，使用活性和非活性的EZH2抑制剂。针对优化模型进行药效团筛选。药效团筛选的得分最高的化合物与应用机器学习方法得到的得分最高的化合物进行交叉，并进行可视化分析。人工神经网络、贝叶斯统计、k-NN和药效团建模的组合将有助于在筛选过程中鉴定出更多的活性化合物。设计的Enhancer of Zeste Homolog 2（EZH2）靶向库仅包含药物样化合物（PAINS化合物已被过滤掉）。它为与癌症相关的药物发现项目提供了一个完美的基础。