- 综合排序
- 最热优先
- 最新优先
分析梳理--linux实现虚拟筛选
作者，Evil Genius今天我们来实现虚拟筛选。第一步，处理蛋白质PDB文件，注意这时候的PDB分子已经进行了去水处理（pymol），其中去除水分子的注意事项。 快速筛选/测试：1 - 4（速度极快，用于排除明显不结合的分子，但可能漏掉最优解）。常规对接：8 - 32（在精度和速度之间取得良好平衡。8是官方默认值，32已经是相当高的精度）。 高精度/最终确认：32 - 64或更高（用于已筛选出的几个关键分子，追求最可靠的结果）。核心原则：exhaustiveness 增加一倍，运行时间也大约增加一倍。 模型类型基于物理的力场(Physics-based Force Field)经验性 + 知识基础(Empirical + Knowledge-based)能量项构成- 范德华力 (Lennard-Jones 12-6) AutoDock Vina：追求“效率”的经验模型Vina的设计哲学从一开始就偏向虚拟筛选——即在短时间内处理成千上万个分子。
14420编辑于 2026-04-13- 来自专栏生命科学
虚拟筛选、高通量实验筛选化合物库 | MedChemExpress
以上化合物库可以整库用于高通量实验筛选；也可以在 MCE 虚拟筛选后，选择部分高分化合物组库进行实验验证。
69210编辑于 2023-02-28 - 来自专栏生命科学
MCE虚拟筛选化合物库 | MedChemExpress
药物筛选是发现药物先导物的重要途径，好的化合物库则是药物筛选的必备武器。MCE 拥有丰富的数据库资源，助力您的药物筛选研究！药物筛选研究与化合物新颖性密切相关。 Discovery Diversity Sets (DDS) 专注于新型化合物结构式，库中收录了近 5 年合成的新型化合物，推荐用于新型化合物的随机筛选。 使用 Tanimoto 相似性方法检测 DDS 中的化合物，并与来自 33 个供应商的 1680 W 种市售筛选化合物进行对比。 以上化合物库可以整库用于高通量实验筛选；也可以在 MCE 虚拟筛选后，选择部分高分化合物组库进行实验验证。 MCE 和 Enamine 强强联合，为广大科研工作者提供前沿和最多样化的化合物库和大规模的虚拟筛选服务。详询当地市场经理或授权经销商。
49520编辑于 2023-02-24 虚拟筛选之化合物批量处理
今天我们来完成虚拟筛选的化合物（配体分子）准备。 分子结构可视化、分子对接、虚拟筛选、化学信息学软件通用交换格式。同时存储原子坐标和连接表，信息完整；.sdf 便于管理化合物库。 需要看分子的3D形状、做分子对接或虚拟筛选：首选 SDF (.sdf) 或 MOL2 (.mol2)。 研究对象是蛋白质、DNA，或做分子对接需要蛋白结构：必须使用 PDB (.pdb)。 虚拟筛选离不开分子对接，分子对接离不开分子文件，分子文件的处理离不开openbabel。这个软件开源，不需要收取任何费用，支持win以及linux。 转换后文件将这些分子单独保存(虚拟筛选经常使用)。
10420编辑于 2026-04-15- 来自专栏智药邦
在hit发现中最大限度地整合虚拟筛选和实验筛选
2022年6月14日，来自匈牙利布达佩斯自然科学研究中心药物化学研究组的György M Keserű等人在Expert Opinion on Drug Discovery杂志发表文章Maximizing ，可用于虚拟筛选方案的迭代改进 GPU集群和云架构，加上并行化的软件应用和人工智能技术，为虚拟筛选提供更高的性能 实验和虚拟筛选的迭代整合使这些互补的方法发挥了最大的效益 1. 虚拟筛选 在计算能力迅速提高的同时，虚拟筛选最初是作为高通量筛选的一种廉价替代方法出现的，它释放了比实际可用的更广泛的（虚拟）化学空间。 最后，该研究在6个月的时间内为一个先前未被充分探索的靶点找到了19个不同的hit。 5. 结论 虚拟和实验筛选都是早期药物发现工具箱中不可缺少的方法。 Expert Opin Drug Discov. 2022 Jun;17(6):629-640. doi: 10.1080/17460441.2022.2085685.
1.1K20编辑于 2022-11-16 - 来自专栏分子生物和分子模拟计算
除草剂小分子的虚拟筛选
以质体醌生物合成酶为靶点，使用VINA软件，小分子采用ZINC的数据库，300万个类药小分子。
72120发布于 2018-07-03 - 来自专栏生命科学
MCE 虚拟筛选、小分子化合物库 | MedChemExpress
以上化合物库可以整库用于高通量实验筛选；也可以在MCE 虚拟筛选后，选择部分高分化合物组库进行实验验证。 MCE 和 Enamine 强强联合，为广大科研工作者提供前沿和最多样化的化合物库和大规模的虚拟筛选服务。详询当地市场经理或授权经销商。
54330编辑于 2023-02-27 - 来自专栏智药邦
Drug Discov Today｜虚拟筛选中的人工智能
摘要 实验性高通量筛选 (HTS) 是一种传统的药物发现方法，但在处理有数十亿化合物的巨大化学库时是昂贵和耗时的。通过使用可靠的计算筛选方法，可以缩小搜索空间。 虚拟筛选 (VS) 是实验性HTS的对应计算方法，即测试化学文库中的化合物对可能与特定疾病有治疗意义的生物分子靶点的活性。 虚拟筛选 (VS) 的两个主要组成部分和不同类型的评分函数 机器学习 (ML) 评分函数分为基于配体 (或基于描述符) 的和基于结构的，取决于对配体单独使用描述符，或对靶点和配体都使用描述符。 AI 驱动的基于配体和基于结构的虚拟筛选工作流程 在SBML或SBDL的情况下，蛋白质-配体复合物结构和抑制常数的数据集被用来开发模型。 使用机器和深度学习方法的虚拟筛选研究中的hit识别 基于配体的ML/DL模型 文章讨论了多个案例。 CYP1A2抑制剂预测的案例可以证明基于配体的ML在先导化合物鉴定中的应用。
1.3K10编辑于 2022-06-08 - 来自专栏用户8950297的专栏
Power Query基础6：筛选、排序、删重复行
本文通过一个例子，综合体现常用的数据筛选、排序、删重复行的操作方法。数据样式及要求如下： 要求： 1. 剔除状态为“已取消”的合同； 2. Step-1：获取数据 Step-2：筛选剔除“已取消激活”的协议 Step-3：按协议号升序排序 Step-4：保留协议最后版本——实际上保留协议版本就是要将重复的协议删除，但是，因为只能删除协议版本为旧的协议 Step-5：选中“协议”号，删除重复项 Step-6：上载数据
3.7K30发布于 2021-08-31 - 来自专栏DrugOne
. | 基于结构的虚拟筛选指南
报道人 | 于洲 基于结构的虚拟筛选已经被广泛用于发现各种治疗靶点的活性分子。随着公开的化学品和蛋白质数据集数量和规模的增加，这些数据集中也包含了越来越多的生物活性数据。 人工智能尤其是机器学习，包括深度学习，已经成功利用这些数据集为具有三维原子结构信息的靶点建立虚拟筛选所需的评分函数。 本文希望通过实用的实例为读者提供如何构建更优异的虚拟筛选评分函数的指导，包括数据增强、算法选择等方面的经验。 结果显示，在（EF1%和NEF1%）这两个指标上，每个ML算法的虚拟筛选性能变化都在很小的范围内。 这进一步证明了这种特异性模型在结构基于虚拟筛选中的优势，以及使用实验化合物和人工生成的非活性分子进行训练的重要性。
65620编辑于 2023-10-24 - 来自专栏科研猫
Advanced Science：miRNA靶点天然产物虚拟筛选策略
常用的药物虚拟筛选策略都是基于蛋白的三维结构设计的计算模型，由于miRNA的柔性太大，目前缺乏针对miRNA的药物虚拟筛选模型，导致近年以来大量被发现参与疾病分子机制的非编码核酸miRNA靶点无法实现向药物发现转化 在明确了虚拟筛选策略以后，就需要考虑供筛选的小分子化合物的来源。 基于知识途径和基于结构途径靶向miRNA-mRNA-AGO复合体的虚拟筛选模型。a)基于知识途径的虚拟筛选方法原理图。b)基于结构途径的虚拟筛选方法原理图。 张保亭教授介绍：我们与香港浸会大学张戈教授和吕爱平教授合作，应用上述虚拟筛选策略在天然产物库中针对参与骨代谢疾病发生发展的miRNA靶点开展了高通量的虚拟筛选和实验验证的工作。 令人产生兴趣的是同一个miRNA214，作用于不同的mRNA（在成骨细胞是ATF4 mRNA，在破骨细胞是TRAF3 mRNA），虚拟筛选获得打分高值的化合物在结构上存在巨大差异，提示上述筛选策略在天然产物库中的虚拟筛选具有高度特异性
1.7K21发布于 2020-06-04 - 来自专栏Java架构师必看
CentOS 6虚拟机安装
这篇博客已经被合并到这里了： 虚拟机安装CentOS以及SecureCRT设置【完美无错版】 ====================== 下面不用看了，看上面即可 =============== technetwork/server-storage/virtualbox/downloads/index.html 不过有个单独域名主页：http://www.virtualbox.org/ 2.下载CentOS6镜像 如果觉得虚拟机分辨率很小，那么可以点击“设备”--“安装增强功能”解决。 USB和光驱 在虚拟主机VirtualBox的菜单中选择设备，分配USB设备，找到对应的USB接口即可，安装好驱动。 ======================== VirtualBox虚拟机和主机拷贝文件 主机windows要和VirtualBox拷贝文件，需要设用数据空间功能。
66620发布于 2021-03-22 - 来自专栏CMS建站教程
CentOS 6 配置FTP虚拟用户
.* -rw-r--r-- 1 root root 12288 6月 9 08:29 user.db ##用户数据库文件 -rw-r--r-- 1 root root 18 6月 9 08:21 user.txt [root@c vsftpd]# chmod 600 user.* 2、创建vsftpd用于存储文件的目录以及虚拟用户映射的系统本地用户 [root@c vsftpd]# useradd 参数 作用 anonymous_enable=NO 禁止匿名开放模式 local_enable=YES 允许本地用户模式 guest_enable=YES 开启虚拟用户模式 guest_username =virtual 指定虚拟用户账户 pam_service_name=vsftpd.u 指定PAM文件 user_config_dir=/etc/vsftpd/vuser 虚拟用户配置文件存放的目录 设置开机自启 [root@c ~]# service vsftpd start 为 vsftpd 启动 vsftpd： [确定] [root@c ~]# chkconfig vsftpd on 6、
2.6K60编辑于 2022-03-07 - 来自专栏DrugScience
Nature | 手把手教你搭建大规模药物虚拟筛选平台
VirtualFlow程序包由两个可无缝协作的应用程序组成：VFLP（用于配体准备的模块）和VFVS（用于虚拟筛选的模块）。配体准备和虚拟筛选的过程是分离的。 ? VFVS还可以用于进行多阶段的虚拟筛选，以用于提高筛选的质量。在多阶段方案中，连续执行几个虚拟筛选。从前一个阶段前进到下一个阶段中的化合物数量将依次减少。随之而来的是对接精度和计算成本的增加。 ? 多阶段虚拟筛选的示意以及超大规模虚拟筛选的优势 图片来源 Nature 案例：VFVS 从13亿个分子中虚拟筛选 为了验证VFVS的性能，本文针对KEAP1靶点筛选了13亿种市售化合物的虚拟文库（ZINC 随着虚拟筛选规模的增加，对接后的平均得分也在增加，从而提高了筛选出具有更高结合亲和力的分子的几率。 相关文章 Nature | 从1.5亿分子库中虚拟筛选发现调节昼夜节律的褪黑素受体激动剂 JMC | 资源有限的小型药企如何利用计算方法加速药物发现 JMC | 820万化合物库中虚拟筛选发现高效肿瘤免疫靶点
5.4K30发布于 2021-02-04 - 来自专栏DrugOne
. | 利用Transformer架构进行序列驱动的虚拟筛选
深度学习方法正逐步成为高通量实验筛选的高性价比替代手段。 在TargetMol的9,090个化合物中筛选后，研究人员获得了12个预测IC50在1-100 nM之间的候选物，并在体外验证中发现其中6个具有抑制活性，2个（C1和C10）表现出纳摩尔级高效抑制作用。 研究人员收集了12种具有已知结合偏好的抑制剂，并基于NMR数据和PDB结构集合（6XR6、6XR7、6XRG）重建了60个代表性结构。 讨论 研究人员提出了一种基于序列的虚拟筛选方法，能够预测蛋白-配体复合物的构象空间，克服了传统方法仅依赖游离态结构的局限性。该方法输出结合亲和力及配体与蛋白之间的距离矩阵，从而揭示结合模式。 综上所述，Ligand-Transformer不仅在亲和力预测上表现优异，还能捕捉自由能景观的变化，是一项具有推广潜力的虚拟筛选新方法，可助力早期药物发现流程的提速与智能化转型。
34610编辑于 2025-08-09 - 来自专栏c++
【Linux】进程（6）虚拟地址空间
> 2 #include <unistd.h> 3 #include <stdlib.h> 4 int g_unval; 5 int g_val = 100; 6 之所以会有这样的矛盾，这是因为之前学习的东西并不完整，接下来我们来了解进程/虚拟地址空间。 1.1虚拟地址 进程/虚拟地址空间一定离不开虚拟地址，那进程/虚拟地址是什么呢？ 我们通过实验认识来认识它: //实验代码 int num = 100; 6 int main() 7 { 8 pid_t id = fork(); 9 if (id == 0) 之后再将代码和数据加载到这个进程虚拟空间对应的虚拟分区。 这个虚拟地址空间并不是真正用来存储数据的地方，存储数据的地方依然是物理内存。不过虚拟地址会通过页表与物理地址建立联系。 由于每个进程都拥有一个虚拟地址空间，那么OS要不要对这些虚拟地址空间进行管理呢？
20410编辑于 2026-01-14 - 来自专栏DrugOne
AI助力药物虚拟筛选提速百万倍
、化学系团队 （以下简称：联合团队） 创新研发 AI驱动的超高通量药物虚拟筛选平台DrugCLIP DrugCLIP主页（https://www.drugclip.com） DrugCLIP筛选速度 对比传统方法实现了百万倍提升 同时在预测准确率上也取得显著突破 依托该平台，团队首次完成了 覆盖人类基因组规模的药物虚拟筛选 为创新药物发现带来了新的可能性 北京时间1月9日 研究成果以《深度对比学习实现基因组级别药物虚拟筛选 初步验证了平台的有效性 让联合团队成员信心大增 基于DrugCLIP的超高速全基因组虚拟筛选 在生命学院副教授闫创业团队协作下 DrugCLIP模型从160万个候选分子中 为去甲肾上腺素转运体（NET） 支持 对AlphaFold预测的蛋白结构和 无配体状态下的蛋白口袋进行筛选 扩大了其在真实药物发现场景中的适用性 平台化赋能 从免费开源到产业生态 依托DrugCLIP 联合团队首次完成了 人类基因组规模的虚拟筛选项目 提供了强大数据支持 人类基因组规模的蛋白虚拟筛选数据库 同时，筛选服务平台也已同步上线 支持对用户上传的靶点和蛋白口袋 进行定制化筛选 截止到论文发表，半年来 该平台已经累计服务1400余名用户 完成了
22810编辑于 2026-01-13 - 来自专栏DrugAI
. | 基于深度学习的抗菌化合物虚拟筛选
研究人员将小分子高通量筛选（HTS）与深度学习虚拟筛选策略相结合，开发出一种名为 GNEprop 的图神经网络模型，用于预测分子的抗菌活性。 活性断崖预测与模型解释性分析 超大规模虚拟筛选与实验验证 研究人员利用 GNEprop 对 Enamine REAL 库中的 14 亿个分子进行虚拟筛选，仅用不到 48 小时即完成全部预测，筛选出 44,000 此外，基于模型的“最近邻扩展”策略成功发现了新的活性分子，其中部分对野生型 E. coli 的 MIC 显著改善，显示出从虚拟筛选到先导优化的潜力。 图6. 虚拟筛选命中化合物的生物学验证与靶点分析 讨论 研究结果表明，深度学习虚拟筛选能够在极大程度上拓展抗菌化合物发现的化学空间。 https://doi.org/10.1038/s41587-025-02814-6 内容为【DrugOne】公众号原创｜转载请注明来源
17620编辑于 2026-01-06 - 来自专栏生命科学
虚拟筛选 (Virtual Screening, VS)介绍： 加速新药研发，降低成本_MCE
虚拟筛选的分类根据依赖信息的不同，虚拟筛选主要分为以下两类：基于结构的虚拟筛选（Structure-Based Virtual Screening, SBVS）依赖靶标蛋白的三维结构（如X射线晶体结构、 虚拟筛选的核心优势利用小分子化合物与药物靶标间的分子对接运算，虚拟筛选可快速从几十至上百万分子中，遴选出具有成药性的活性化合物，大大降低实验筛选化合物数量，周期短、成本低、阳性率高。 虚拟筛选的标准流程完整的虚拟筛选流程通常包括以下几个关键步骤：靶标选择与结构准备明确研究靶点，获取或构建其三维结构，并进行结构优化（如去除水分子、添加氢原子、质子化状态调整等）。 是否会用几种软件同时筛选，然后综合几个软件给出最终结果？针对不同的虚拟筛选分别用薛定谔或discovery studio软件，最终作图用的是PyMol软件。 虚拟筛选的应用领域虚拟筛选已广泛应用于多个药物研发领域：小分子药物发现：如抗癌药物、抗病毒药物等多肽与蛋白质药物筛选：如靶向肽、抗体模拟物等天然产物挖掘：从中药或植物提取物中寻找活性成分老药新用（Drug
92820编辑于 2025-07-28 . | 基于深度学习的抗菌化合物虚拟筛选
研究人员将小分子高通量筛选（HTS）与深度学习虚拟筛选策略相结合，开发出一种名为 GNEprop 的图神经网络模型，用于预测分子的抗菌活性。 活性断崖预测与模型解释性分析 超大规模虚拟筛选与实验验证 研究人员利用 GNEprop 对 Enamine REAL 库中的 14 亿个分子进行虚拟筛选，仅用不到 48 小时即完成全部预测，筛选出 44,000 此外，基于模型的“最近邻扩展”策略成功发现了新的活性分子，其中部分对野生型 E. coli 的 MIC 显著改善，显示出从虚拟筛选到先导优化的潜力。 图6. 虚拟筛选命中化合物的生物学验证与靶点分析 讨论 研究结果表明，深度学习虚拟筛选能够在极大程度上拓展抗菌化合物发现的化学空间。 https://doi.org/10.1038/s41587-025-02814-6 内容为【DrugOne】公众号原创｜转载请注明来源
17810编辑于 2026-01-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号