该化合物库采用基于配体和受体的虚拟筛选方法相结合的方式精心设计，包括机器学习（人工神经网络、贝叶斯统计和k近邻算法（k-NN）)以及分子对接技术。
在化合物库设计中，已知的RORγ拮抗剂和逆激动剂被分为四个类别。通过基于分子指纹的k-NN算法对各类化合物进行活性分类（采用k-NN算法可获得更均匀的样本集），随后随机划分为训练集和测试集。训练集用于人工神经网络的开发与参数化，以及贝叶斯建模（两种方法均基于分子描述符，如氢供体和受体数量、PSA值、LogP值、分子量、可旋转键数、环数及不同指纹特征、拓扑描述符等）。同时，训练集还用于基于ECFP4、FCFP4、ECFP6、FCFP6等指纹特征的k-NN算法化合物筛选。测试集则用于验证神经网络和贝叶斯模型的性能。通过这些方法获得的高分化合物与分子对接（PDB ID： 4NIE）所得高分化合物进行交叉验证。最终化合物筛选基于对关键配体结合域残基间分子疏水接触和氢键的分析。人工神经网络、贝叶斯统计、k-NN算法与分子对接的联合应用，有望显著提升筛选过程中活性化合物的识别数量。

• 可选用DMSO耐受的96/384孔板或2D 条形码编码管；
• 干粉蓝冰运输，DMSO溶液干冰运输；
• 排布：96孔板：1st & 12th 空白对照，384孔板：1st & 2nd & 23th & 24th空白对照。