Schrodinger suits激活版是功能强大的药物研究设计软件，提供多个程序，帮助用户提供进行药物设计和开发所需要的各种高级工具，帮助用户进行分子建模、药物设计与制造等，直观舒适的环境，各种复杂的计算操作都能够很好的支持，可对不同情况下不同材料的行为进行准确的评估和预测，从而获得真实准确的设计，迎接药物设计挑战， Maestro是所有Schrodinger计算机程序的用户接口，提供提供强大、充分集成的分子的显现和分析环境，图形用户界面。 使用 Maestro，您可以准备结构以进行改进。

功能特色

一、药物发现

我们的药物发现平台已被全球生物制药行业广泛部署，并通过合作伙伴在各种目标上的成功验证。

Schrodinger平台将基于预测性物理的方法与机器学习技术相集成，以加快药物发现。我们的迭代过程旨在在合成和测定之前加速对硅化学物质的评估和优化。然后，通过额外的计算分析循环，进一步优化来自每一轮实验项目化学过程中最有希望的化合物。

结果：与传统方法相比，我们的平台能够更快，更低成本地发现高质量，新颖的分子，并且我们相信成功的可能性更高。

1、更快的潜在顾客发现

通过虚拟筛选超大型分子库的解决方案，以及基于物理学的分子中心核的替代方法，可以快速识别适合启动铅和铅优化工作的有效分子的能力，以鉴定图书馆馆藏中不存在的新颖，高效分子。

2、准确的属性预测

使用基于物理学的计算来评估类药物分子关键特性的能力，其准确性可与实验实验室测定相媲美，从而有助于优化药物特性，包括药物效价，选择性和生物利用度。

3、大规模分子探索

计算构思和探索新颖的，高质量的类药物分子的能力，供发现项目团队考虑，这些对象使用经过计算和构造并生成合成上可行的分子的计算枚举和生成式机器学习技术进行研究。

4、大规模分子评估

通过将下一代机器学习方法与基于物理的物理方法相集成，可以将关键药物特性的计算扩展到超过十亿个分子的超大型想法集，从而能够更快速，成功地鉴定高质量的候选药物分子技术，以及内部和云计算资源的大规模利用。

5、集成数据管理和可视化

通过功能强大且用户友好的图形界面，可以生成，访问和分析从与分析数据集成的复杂计算中获得的数据。

二、材料科学

分子模拟可以帮助您在开始合成和测试之前确定最有希望的结构和组成，从而加快新材料的开发。

我们的平台可推动各种行业的新型材料设计，包括航空航天，能源，半导体和电子显示器。

1、催化和反应性

增强了用于生成材料的催化剂和反应性前体的计算机设计。
我们的平台旨在支持模拟，优化和发现有效，高效和选择性的催化剂和反应体系。我们授权对催化剂和反应性前体进行计算机设计，以提高或区分不同的反应性来创建材料。您还可以使用我们的平台阐明反应坐标的详细信息，以了解观察到的活性，选择性和特异性。我们的工具包括差异化的模型构建器，高效的DFT引擎，Jaguar，基于DFT的自动化反应性工作流程以及分析工具。

2、复杂的配方和解决方案

为复杂且不断发展的结构实现优化和效率。
复杂且不断发展的结构（通常处于流体状态）在制药，消费品，塑料，复合材料和石化行业的许多工业过程中都发挥着至关重要的作用。我们的材料科学平台提供经过验证的工作流程和专家支持，以使研究人员通过严格关注以正确的方式选择和组合正确的成分来优化其最终产品的性能。工作流可用于确定弹性常数（例如，体积模量，剪切模量等），玻璃化转变温度（Tg），扩散常数，熔点和溶解度参数。另外，原子模型和粗粒度模型允许表征否则为无序体系统中的分子相互作用和纳米级结构。

3、能量收集与存储

增强的原子建模功能可实现准确的预测。
我们的平台可对电池，燃料电池和储氢材料进行原子建模。我们的工具基于量子力学原理，能够高度准确地预测关键特性，包括离子迁移率，插层电势和电池电极的负载能力，电极-电解质界面处的添加剂化学，催化活性和降解过程。分子动力学模拟可以分析弹性和热物理性质以及有机和固体电解质中的离子迁移率。增强的结构建立和枚举功能以及高性能算法，可以对关键设备组件及其接口进行计算机发现和优化。、

4、机器学习与信息学

基于Web的协作界面可成功预测材料属性。

我们的材料科学平台与我们行业领先的信息学平台LiveDesign无缝集成，以提供用户友好的企业信息学解决方案。我们结合了传统和深度机器学习技术，以高精度预测材料特性，例如玻璃化转变温度，表面张力，热容量等，并在指定的化学空间内生成具有所需特性的新型从头材料解决方案。即使不是计算专家的团队成员也可以使用复杂的科学建模，强大的分析，绘图和3D可视化工具。基于Web的协作界面还可以通过自定义的提取，转换和加载（ETL）直观地筛选公司数据。

5、有机电子

通过自动化的工作流程和高通量计算来预测关键属性。

Schrodinger的平台旨在支持设计高质量的下一代有机电子材料。我们基于物理的模型和机器学习算法旨在帮助解决在设计用于显示，能源和可穿戴设备的新材料方面的重大挑战。Schr?dinger的平台可以高度准确地预测当今有机发光二极管（OLED），有机光伏（OPV）和印刷/柔性电子产品中使用的分子材料的关键特性。我们的方法能够以较低的成本更快地发现新分子，并且与传统方法相比，我们相信成功的可能性更高。

6、聚合物和软物质

用于发现新型聚合物和流体材料的模型构建者，适应性强的工作流程和分析工具。

化学反应性，物理形态和聚合物物理学驱动着聚合物和软材料的行为。我们的材料科学平台可提供差异化的模型构建器，高效的MD引擎，自动化的热物理和机械响应工作流，化学适应性交联工作流以及用于仿真，优化和发现新型聚合物和流体材料的分析工具。

7、固体和硬物质

高度准确地检查无机材料中的体积和表面性能。

我们的平台利用量子力学来预测无机材料的体积和表面性质，包括能带结构，机械，介电，磁性和热力学性质。此外，还可以进行分析以创建组成相图并检查材料缺陷以及表面降解和反应性。

8、薄膜沉积和半导体

使用分子模拟的受控制导和省时的解决方案。
从太阳能电池板到智能手机芯片，当今大多数高科技设备的运行都依赖于精确形成的结构中的特定材料。在微米或什至纳米级上制造这些结构是巨大的挑战。化学反应必须加以控制，以便在需要的地方添加或去除材料，有时一次要精确到一个原子层。分子模拟旨在通过指导用户了解沉积和蚀刻化学并实现表面化学反应的逐原子控制来实现这种控制。Schrodinger率先提供了节省时间的解决方案，用于模拟表面反应性和设计新型化学品。

下载地址