课后补充--基于配体的虚拟筛选（LBVS）

原创

追风少年i

发布于 2026-09-22 08:46:19

1040

作者，Evil Genius

关于虚拟筛选从来不是盲目的把各种配体分子放进去分析，而是要在配体库中基于结构、官能团、ADME进行初步筛选，这其中要求我们有较好的基础研究，虚拟筛选主要分为两种

基于结构的虚拟筛选：Structure-Based Virtual Screening (SBVS)
基于配体的虚拟筛选：Ligand-Based Virtual Screening (LBVS)

这一篇我们来详细分析一下基于配体的虚拟筛选（LBVS）。

基于配体的虚拟筛选（LBVS）详细分析流程

Ligand-Based Virtual Screening（LBVS） 的核心思想

当我们已经知道一些具有生物活性的配体，但没有可靠的靶蛋白三维结构时，可以利用这些已知活性分子的结构、理化性质、共同药效团和构效关系（SAR），从大型化合物库中寻找可能具有相似活性的分子。

LBVS 的主要方法包括 2D 分子相似性、分子指纹、3D 形状相似性、药效团、QSAR/机器学习 等。

一、LBVS 与 SBVS 最核心的区别

项目	SBVS	LBVS
核心信息	蛋白三维结构	已知活性配体
是否需要蛋白结构	通常需要	不一定需要
是否需要已知活性配体	不一定	需要
主要方法	Docking、rescoring	Similarity、Fingerprint、Pharmacophore、QSAR
核心问题	“分子能不能进入这个口袋？”	“这个分子是否具有类似活性分子的特征？”
典型输入	Protein + compound library	Active ligands + compound library
输出	Docking poses/scores	Similarity/fit/QSAR prediction
常用工具	AutoDock Vina、Glide、GOLD	RDKit、Pharmit、LigandScout、ROCS、QSAR/ML

LBVS 特别适合靶点结构未知或结构质量不足，但已经存在一定数量已知活性化合物的情况。

二、LBVS 的整体流程

可以把 LBVS 理解成一个“已知活性分子 → 提取规律 → 搜索化学数据库 → 找相似分子”的过程。

已知活性化合物
                       │
                       ↓
              ┌─────────────────┐
              │ 1. 数据收集     │
              │ Active/InActive │
              └─────────────────┘
                       │
                       ↓
              ┌─────────────────┐
              │ 2. 数据清洗     │
              │ 去重/标准化     │
              └─────────────────┘
                       │
                       ↓
          ┌──────────────────────────┐
          │ 3. LBVS模型/特征构建     │
          ├──────────────────────────┤
          │ 2D Similarity            │
          │ Molecular Fingerprint    │
          │ Pharmacophore            │
          │ 3D Shape                 │
          │ QSAR / Machine Learning  │
          └──────────────────────────┘
                       │
                       ↓
                 化合物数据库
                       │
                       ↓
                  Virtual Screening
                       │
                       ↓
                  Hit Ranking
                       │
                       ↓
             去除重复/不合格化合物
                       │
                       ↓
              ADMET / Toxicity
                       │
                       ↓
               Top Candidate
                       │
                       ↓
                Docking / MD
                       │
                       ↓
                  实验验证

LBVS 的主要路线包括 2D similarity、3D similarity、pharmacophore 和 QSAR 等。

三、第一步：收集已知活性化合物

这是 LBVS 最重要的基础。

例如研究：

某蛋白 Kinase-X 的抑制剂

目前已经有 20 个已知抑制剂：

Inhibitor-01
Inhibitor-02
Inhibitor-03
...
Inhibitor-20

每一个分子最好具有：

SMILES
SDF
MOL
MOL2

以及对应的实验活性：

IC50
EC50
Ki
Kd
pIC50

例如：

Compound	IC50
C001	12 nM
C002	25 nM
C003	48 nM
C004	95 nM
C005	180 nM

这样就不仅知道：

哪些分子有效

还知道：

哪些分子更有效。

四、第二步：数据清洗

这一部分非常重要，尤其是做 QSAR。

例如原始数据库：

10,000 compounds

可能存在：

重复结构
盐形式
不同质子化形式
错误SMILES
缺失活性
单位不一致
实验条件不同

需要进行：

原始数据
   ↓
结构标准化
   ↓
去盐
   ↓
去重
   ↓
统一单位
   ↓
检查异常值
   ↓
Activity classification

例如：

IC50 = 10 nM

可以转换为：

10 nM：

因此：

五、第三步：选择 LBVS 方法

LBVS 并不是一种单独的方法。

通常可以分成五大类：

LBVS
│
├── 1. 2D Similarity
│
├── 2. Molecular Fingerprint
│
├── 3. 3D Shape Similarity
│
├── 4. Pharmacophore
│
└── 5. QSAR / Machine Learning

这几种方法实际上是在从不同角度回答：

“两个分子为什么可能具有相似的生物活性？”

六、方法①：2D Molecular Similarity

这是最直观的 LBVS 方法。

例如：

Known Active
     │
     ↓
   Query
     │
     ↓
Database
     │
     ├── Compound A
     ├── Compound B
     ├── Compound C
     └── Compound D

比较它们的：

scaffold
functional groups
atom connectivity
substructure

例如：

已知活性分子

      O
      ║
Ar ─ N ─ CH3
     │
     R

数据库中：

Compound A

      O
      ║
Ar ─ N ─ CH3
     │
     R1

虽然 R1 不完全相同，但是核心结构高度相似。

因此 A 可能被筛选出来。

七、方法②：Molecular Fingerprint

这是实际 LBVS 中非常常见的方法。

核心思想：

把一个化学结构转换成一串数字/bit，然后比较两个分子的 bit 是否相似。

例如：

Molecule
   ↓
Fingerprint
   ↓

101001001010100101001...

另外一个分子：

100001001010100101101...

然后计算 similarity。

最常见的是 Tanimoto similarity：

其中：

a：A 中 bit 数量
b：B 中 bit 数量
c：A、B 共同 bit 数量

因此：

Tanimoto = 1

表示指纹完全相同；

Tanimoto ≈ 0

表示非常不相似。

一个简单例子

假设：

Query molecule
Fingerprint:

101101001110

数据库：

Compound A
101101001010

Compound B
101001000010

Compound C
000010110001

计算之后：

Molecule	Tanimoto
A	0.83
B	0.61
C	0.18

于是可以按照相似性进行初筛：

Database
100,000
   ↓
Fingerprint similarity
   ↓
Top 5,000

2D fingerprint similarity 是 LBVS 中非常经典的一类方法，因为速度快、容易扩展到大型数据库。

八、方法③：3D Shape Similarity

有些情况下：

两个分子的二维结构并不相似，但是三维形状和关键化学特征非常相似。

例如：

Molecule A

       ███
     ███████
       ███
        │
       ╱

Molecule B：

███
     █████
       ███
        │
       ╲

2D：

可能不太相似

3D：

形状非常接近

因此 LBVS 可以使用：

molecular shape
volume
surface
electrostatic potential
hydrophobicity
pharmacophoric features

进行 3D similarity search。

3D similarity 方法通常需要先生成分子的多个构象，再进行 alignment 和 similarity calculation；例如 VSFlow 的流程就是 conformer generation → 3D alignment → shape similarity → 3D pharmacophore similarity。

九、方法④：Ligand-Based Pharmacophore

这是 LBVS 中非常重要的一种方法。

这里不再简单问：

两个分子的结构是否相似？

而是问：

它们是否具有相似的关键药效团特征？

例如从多个活性分子发现：

HBA
       ●
       │
       │ 5.2 Å
       │
       ● HBD

       │
       │ 4.8 Å
       │
       ● Hydrophobic

于是构建一个药效团模型：

HBA
       ●
       │
       │
       ● HBD

       │
       │
       ● HYD

这三个特征的空间关系可能是活性的重要组成部分。

常见药效团特征

Feature	含义
HBA	Hydrogen Bond Acceptor
HBD	Hydrogen Bond Donor
HY	Hydrophobic
AR	Aromatic Ring
POS	Positive ionizable
NEG	Negative ionizable
PI	π interaction

药效团模型通常是从多个已知活性配体中寻找共同的关键特征，并通过 pharmacophore mapping 对数据库分子进行筛选。

十、一个非常直观的药效团案例

假设有 5 个已知抑制剂：

Ligand 1
Ligand 2
Ligand 3
Ligand 4
Ligand 5

虽然它们的结构不同：

A        B        C        D        E
│        │        │        │        │
不同     不同     不同     不同     不同

但是经过 3D alignment 后发现：

HBA
         ●

         │
         │  5 Å
         │

         ● HBD

     ╲         ╱
      ╲       ╱
       ●─────●
      Hyd   Aromatic

说明它们可能共享：

HBA
+
HBD
+
Hydrophobic
+
Aromatic

那么就建立这个 LB pharmacophore。

然后：

100,000 compounds
        ↓
Pharmacophore screening
        ↓
3,000
        ↓
Fit score
        ↓
300

十一、方法⑤：QSAR

QSAR 是另一条非常重要的 LBVS 路线。

它不是简单比较：

“这个分子像不像已知分子？”

而是建立：

分子结构 → 生物活性

之间的数学关系。

例如：

Molecular structure
       ↓
Descriptors
       ↓
Machine Learning
       ↓
Predicted activity

输入

例如：

MW
LogP
TPSA
HBD
HBA
Rotatable bonds
Aromatic rings
Morgan fingerprint
ECFP
Molecular descriptors

以及实验：

IC50

于是：

Compound
   ↓
Descriptors
   ↓
QSAR model
   ↓
Predicted pIC50

QSAR 可以处理连续变量，例如 pIC50、pEC50、Ki，也可以进行 active/inactive 分类。

十二、QSAR 建模的完整流程

例如我们有：

1,000 known compounds

首先：

1000
 ↓
Data cleaning
 ↓
Descriptor calculation
 ↓
Feature selection

然后划分：

1000 compounds
                    │
          ┌─────────┴─────────┐
          ↓                   ↓
       Training             Test
        800                  200

训练：

Training set
     ↓
Random Forest
XGBoost
SVM
Neural Network
     ↓
QSAR model

然后：

Test set
   ↓
Prediction
   ↓
R²
RMSE
MAE
ROC-AUC

如果模型具有合理的外部预测性能，再用于：

100,000 unknown compounds
        ↓
QSAR prediction
        ↓
Predicted active
        ↓
Candidate compounds

QSAR 的一个关键要求是数据质量和外部验证；仅仅训练集拟合得很好，并不代表模型对新化合物具有可靠预测能力。

十三、LBVS 最典型的“漏斗式筛选”

例如有：

100,000 个化合物

第一层：Fingerprint

100,000
    ↓
Tanimoto > 0.5
    ↓
20,000

第二层：Pharmacophore

20,000
    ↓
Pharmacophore fit
    ↓
3,000

第三层：3D Shape

3,000
    ↓
Shape similarity
    ↓
500

第四层：QSAR

500
 ↓
Predicted activity
 ↓
100

第五层：ADMET

100
 ↓
ADMET
 ↓
30

第六层：SBVS

这时候就可以把 LBVS 得到的 30 个分子交给：

AutoDock Vina

30 compounds
      ↓
Protein docking
      ↓
Pose
      ↓
Binding interactions

这样就形成：

LBVS → SBVS → MD

的组合流程。

十四、一个完整的 LBVS 示例

假设我们研究：

某蛋白 Kinase-X 抑制剂

目前：

没有可靠的蛋白晶体结构
已经发现 30 个已知抑制剂
有它们的 IC50

那么非常适合先做 LBVS。

Step 1：收集 30 个活性分子

C001
C002
...
C030

例如：

Compound	IC50
C001	8 nM
C002	15 nM
C003	20 nM
C004	45 nM
C005	80 nM

Step 2：选择高活性分子

例如定义：

IC50 < 100 nM

作为 active set。

然后：

30 compounds
      ↓
Active compounds
      ↓
20 compounds

Step 3：计算 Fingerprint

例如使用：

Morgan fingerprint
radius = 2
nBits = 2048

得到：

C001
↓
2048-bit fingerprint

然后与数据库比较。

Step 4：Similarity Search

数据库：

1,000,000 compounds

计算：

Tanimoto(C001, database)

得到：

Compound	Similarity
DB_001	0.91
DB_002	0.87
DB_003	0.84
DB_004	0.81
DB_005	0.79

得到：

Top 10,000

十五、接下来建立 Pharmacophore

把 20 个 active molecules 做共同特征分析：

Active 1
Active 2
Active 3
...
Active 20

得到：

HBA
HBD
Hydrophobic
Aromatic

建立：

HBA
         ●

         │

         ● HBD

      ●
    Aromatic

         ●
      Hydrophobic

筛选：

10,000
 ↓
Pharmacophore
 ↓
1,000

十六、再做 QSAR

使用已有：

30 active/inactive compounds

或者更大的可靠活性数据集建立模型：

Molecule
 ↓
Fingerprint
 ↓
Descriptor
 ↓
Random Forest / XGBoost
 ↓
Predicted pIC50

筛：

1,000
 ↓
Predicted active
 ↓
100

十七、ADMET 筛选

100 个分子继续检查：

100
         ↓
 ┌───────────────┐
 │ Solubility    │
 │ Permeability  │
 │ CYP           │
 │ hERG          │
 │ Toxicity      │
 └───────────────┘
         ↓
       30

最终：

30 candidate molecules

十八、如果后来获得蛋白结构

这时候就可以进行：

LBVS
               ↓
          100,000
               ↓
            1,000
               ↓
             100
               ↓
               30
               │
               ↓
        Protein structure
               │
               ↓
       AutoDock Vina
               ↓
       Docking analysis
               ↓
               10
               ↓
              MD
               ↓
        Experimental assay

这就是非常典型的：

LBVS + SBVS Hybrid Virtual Screening

将 ligand-based 和 structure-based 方法结合使用，可以分别利用已知配体的 SAR 信息和靶点结构信息；组合方式可以是 sequential、parallel 或 hybrid。

十九、LBVS 的五种方法放在一起

方法	核心思想	典型输入	输出
2D Similarity	结构是否相似	SMILES/2D	Similarity
Fingerprint	子结构模式是否相似	Molecular fingerprint	Tanimoto
3D Shape	三维形状是否相似	3D conformers	Shape score
Pharmacophore	关键功能特征是否相似	Active ligands	Fit score
QSAR/ML	结构与活性之间的关系	Structure + activity	Predicted activity

这些方法并不是互相排斥的。实际工作中经常采用多级筛选，例如先用快速 2D similarity/fingerprint 缩小数据库，再使用 3D shape/pharmacophore 和 QSAR 进一步筛选。

二十、LBVS 与 SBVS 的关系

可以把两种方法非常直观地理解成：

SBVS

知道“锁”的结构
        ↓
研究锁的形状
        ↓
寻找能够进入锁的钥匙

即：

Protein structure
       ↓
Binding pocket
       ↓
Docking
       ↓
Candidate

LBVS

已经知道几把“有效钥匙”
        ↓
总结这些钥匙的共同特征
        ↓
寻找结构/性质相似的新钥匙

即：

Known active ligands
       ↓
Similarity / Pharmacophore / QSAR
       ↓
Database
       ↓
New candidates

二十一、LBVS 最值得注意的局限

① 最大问题：相似 ≠ 活性一定相同

两个分子：

Tanimoto = 0.85

并不能保证它们一定具有相同的生物活性。

分子相似性方法的效果高度依赖于目标体系的结构–活性关系（SAR），而不同相似性方法也可能找到不同的候选集合。

② 容易产生“相似性偏倚”

如果数据库里面已有：

A scaffold
A scaffold
A scaffold
A scaffold
A scaffold

LBVS 很可能继续找到：

A scaffold derivatives

因此虽然命中率可能不错，但：

化学空间探索可能比较窄。

这也是为什么实际虚拟筛选经常加入scaffold diversity / chemical diversity控制。

③ QSAR 对数据质量非常敏感

如果：

实验数据不一致
        ↓
错误 IC50
        ↓
错误训练集
        ↓
错误 QSAR
        ↓
错误预测

所以 QSAR 中：

数据整理和外部验证的重要性甚至不低于模型本身。

最后总结

可以把 LBVS 最终总结成：

已知活性配体
                  │
                  ↓
        ┌──────────────────┐
        │   数据整理        │
        │ Active / Inactive│
        └──────────────────┘
                  │
        ┌─────────┼─────────┐
        ↓         ↓         ↓
    2D相似性   Fingerprint  Pharmacophore
        │         │         │
        └─────────┼─────────┘
                  ↓
             3D Shape
                  │
                  ↓
             QSAR / ML
                  │
                  ↓
           化合物数据库
                  │
                  ↓
            Virtual Screening
                  │
                  ↓
             Hit Ranking
                  │
                  ↓
          Chemical Diversity
                  │
                  ↓
              ADMET
                  │
                  ↓
            Candidate Hits
                  │
                  ↓
          ┌───────┴────────┐
          ↓                ↓
      Docking              MD
          ↓                ↓
          └───────┬────────┘
                  ↓
              实验验证

一句话概括 LBVS：

SBVS 是“从蛋白口袋出发找配体”，LBVS 是“从已知活性配体出发找新配体”。

生活很好，有你更好。课后补充--基于配体的虚拟筛选（LBVS）

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

数据分析

#分子对接

#分子动力学

#数据分析