- 综合排序
- 最热优先
- 最新优先
- 来自专栏用户7627119的专栏
单细胞测序在药物筛选中的应用
技术分享 单细胞测序在药物筛选中的应用 在药物开发中，药物筛选至关重要，但工作量大，耗时耗力。细胞分子水平如基因表达分析可以反映药物作用机理，为筛选新药提供最原始的数据。 基于此，通过基因表达的高通量测序可以筛选出大量的靶标药物，大大提高药物筛选的效率，促进新药的快速研制。 然而利用单细胞测序技术，则可以很容易地完成这些分析，因此，单细胞测序技术将会成为药物高通量筛选强劲有效的工具。 该项研究表明单细胞测序可在药物筛选中发挥重要的作用。 综上，借助单细胞测序的药物筛选可以鉴定具有相似MoA的化合物，并区分相关但不同的化合物，此外高通量分析细胞药理，可以促进药物筛选和新药研究有效快速发展。 参 考 文 献 1.
3.4K21发布于 2020-08-20 - 来自专栏生命科学
肿瘤类器官在药物筛选中的应用-MedChemExpress
万事俱备，只欠东风，那么类器官这一强大的新生力量是如何助力于药物筛选的呢？接下来小 M 就借助高分文献在药物筛选中的应用实例，带你直观感受类器官与药物筛选的火花！ 这些生物样本库可实现基于肿瘤异质性的药物效率测试、芯片上类器官的药物筛选和毒性测试等。■ 肿瘤类器官库用于活性药物筛选万事开头难，药物开发的第一步便是活性化合物的筛选，肿瘤类器官自然是不能错过。 研究人员利用 CRC 患者来源的类器官生物样本库进行功能筛选发现了一种新型候选药物 MCLA-158。 经过药物筛选最终从 141 种表观遗传相关化合物中筛选出 3 种能够促进抗原呈递和增强 T 细胞介导的细胞毒性的表观遗传抑制剂[12]。 因此，类器官模型及筛选平台将有助于更好地了解疾病机制，测试和开发疾病相关的新药物。
65240编辑于 2023-04-23 - 来自专栏生命科学
基于 AI 的药物筛选技术，有哪些优势？| MCE
基于 AI 筛选的优势主要体现在以下几个方面： 高效靶点识别： AI 算法可以筛选庞大的生物数据库，以前所未有的速度和高精度识别潜在的药物靶点。 快速化合物筛选： 同时，基于 AI 筛选技术能够对大型的化合物库数据进行快速的筛选，以识别最有可能与靶标结合的化合物。这个过程曾经耗时且成本高昂，现在可以在短时间内完成，大大加快了药物发现的步伐。 这些优势最终转化为高效的筛选平台，例如 MCE AI 药物筛选平台。相较于传统虚拟筛选，AI药物筛选创新性地融合了人工智能（AI）技术与计算化学方法（如分子对接）。 AI 技术在药物发现中的应用 具体应用上，AI药物筛选主要体现为基于靶点和基于配体的。 综上所述，AI 药物筛选技术正以前所未有的方式重塑药物研发格局。它通过显著提升靶点发现、机制理解、化合物筛选与评估的速度和精度，有效克服了传统药物研发周期长、成本高、失败率高的核心痛点。
40510编辑于 2025-07-25 - 来自专栏生命科学
药物筛选在PROTAC中的应用_MedChemExpress(MCE 中国)
本期看点：虚拟筛选、分子对接及分子动力学模拟技术在 PROTAC 开发中的应用！蛋白降解靶向嵌合体 (PROTAC):一种新颖的药物设计策略，它是利用细胞内的泛素-蛋白酶体降解机制来实现蛋白质降解。 计算机辅助药物设计 (CADD):利用计算机模拟和分子建模技术来预测药物分子与生物靶标之间的相互作用，其主要方法包括虚拟筛选、分子对接、分子动力学模拟等。 Section.01虚拟筛选在 PROTAC 设计中的应用虚拟筛选是通过计算机模拟和预测的方法，在大量化合物数据库中筛选出具有潜在结合活性的化合物，能够大大加速药物研发过程。 虚拟筛选技术在靶蛋白配体及 E3 泛素连接酶配体筛选中发挥重要作用。可以说虚拟筛选技术扩展了 PROTAC 技术的应用。虚拟筛选用于靶蛋白配体筛选靶蛋白配体的筛选是 PROTAC 设计的第一步。 近日，中国医学科学院药物研究所刘晓辉课题组就利用了虚拟筛选和体内外实验成功获得了亲和分子#129，并进一步设计合成了一系列 PROTAC 分子。
46210编辑于 2025-06-06 - 来自专栏Python深度学习
使用Python实现深度学习模型：智能药物研发与筛选
随着人工智能和深度学习技术的迅猛发展，智能药物研发与筛选成为了生物医药领域的一个重要方向。通过深度学习模型，我们可以加速药物发现过程，提高药物筛选的效率和准确性。 本文将详细介绍如何使用Python实现一个简单的深度学习模型，用于智能药物研发与筛选。深度学习在药物研发中的应用深度学习是一种基于人工神经网络的机器学习方法，能够自动提取数据中的特征并进行预测。 在药物研发中，深度学习可以用于以下几个方面：药物分子性质预测：通过预测药物分子的物理化学性质，筛选出具有潜力的候选药物。药物-靶点相互作用预测：通过预测药物与靶点的相互作用，评估药物的有效性。 药物毒性预测：通过预测药物的毒性，筛选出安全性较高的药物。 通过使用Python和深度学习库，我们可以构建高效的模型，加速药物发现过程，提高药物筛选的效率和准确性。希望本文能够帮助读者更好地理解深度学习在药物研发中的应用，并提供一些实用的实现示例。
49810编辑于 2024-09-10 - 来自专栏DrugOne
Chemical Science | 基于金属的片段分子库用于筛选候选药物
研究人员开发了一种新颖的基于金属的分子片段库，可用于筛选新药候选物。 ? 已经开发了新的药物化合物库，其中包括基于金属的三维（3D）片段；研究人员说，这是大多数仅包含一维和二维形状的库的进步。 美国加利福尼亚大学圣地亚哥分校的一项研究中，研究表明形状如何决定分子的生物学效应，告知基于片段的药物发现（FBDD）中起着关键作用。 这项研究可以为发现可治疗威胁生命的疾病（例如癌症，流感或耐多药细菌）的药物开辟新途径。 研究人员专注于将3D单核复合物作为结构支架，可以通过修饰其片段的特定部分使其生长成药物样分子。 然后，研究小组针对三种治疗靶标筛选了这些靶标，其中包括H1N1流感病毒的一部分，NDM-1（在某些抗药性细菌中发现）和抗癌靶标。这表明mF平台是成功的，并且可能对将来的FBDD研究有效。 “我们希望，在理想的情况下，在八到十年的时间内，其中一些构件将开始进入新的候选药物领域，这些候选药物为人类健康提供了挽救生命的方法，” Cohen说。
58140发布于 2021-01-29 - 来自专栏DrugScience
Nature | 手把手教你搭建大规模药物虚拟筛选平台
简介 目前，一个上市的药物平均需要花费20-30亿美元，并且需要10年左右的研发时间。大部分经费都花费在了昂贵且耗时的湿实验部分，初始Hits阳性率太低以及（临床前）阶段的高损耗率。 VirtualFlow在药物发现过程中的应用 图片来源 Nature VFLP 模块 VFLP通过将配体数据库从SMILES格式转换为任何所需的目标格式（例如，基于AutoDock的对接程序所需的PDBQT 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
5.3K30发布于 2021-02-04 - 来自专栏DrugOne
. | 开源筛选平台加速药物组合发现
DRUGONE 药物组合是肿瘤和感染性疾病治疗中的核心策略，但随着药物数量增加，组合空间呈指数级膨胀，使系统性实验筛选在现实中难以开展。 该平台在保证高剂量分辨率的同时，大幅降低实验成本与操作复杂度，并成功在单一细胞系中筛选了超过 9000 种药物组合，展示了前所未有的筛选规模与效率。 结果 高密度药物组合筛选的标准化实现 研究人员首先构建了一个统一的高密度筛选流程，在每一对药物之间生成完整且可重复的剂量响应矩阵。 图 3｜稀疏筛选中机器学习模型的训练与预测性能。 超大规模药物组合筛选示范 作为概念验证，研究人员在单一肿瘤细胞系中筛选了超过 9000 种药物组合，这是目前在单一体系中报道的最大规模组合筛选之一。 筛选结果不仅成功识别出大量潜在协同组合，还在后续验证实验中保持了良好一致性。 图 4｜超大规模药物组合筛选结果与候选协同组合。
19410编辑于 2025-12-25 - 来自专栏生命科学
蛋白质与高通量药物筛选化合物库 | MedChemExpress
ZINC20 新增数十亿分子 AlphaFold2 给药物研发带来的革命性变化不言而喻：AlphaFold2 能低成本预测疾病相关的蛋白质结构，进而通过药物重定位、虚拟筛选等方法寻找这些疾病的潜在药物。 而化合物数据库作为虚拟筛选的重要工具，同样决定了小分子药物研发的速度和质量。 VirtualFlow, 5 小时虚拟筛选 10 亿分子 一方面，蛋白结构井喷式被解析，合成方法学高速发展，化合物数据库几何级数增长，虚拟筛选成为众多药物化学工作者手中的利器。 更高的命中率，更快的计算速度，更强的迭代能力，虚拟筛选在药物研发进程中从未掉队。 MCE 拥有专业的虚拟筛选团队、高性能的计算机服务器、高度标准的数据隐私管理，可提供专业的分子对接、虚拟筛选服务。 MCE 一站式药物筛选平台，虚拟筛选、化合物活性筛选、基于离子通道的化合物筛选，“快，不止一步”！2021.10.31 前下单，享受折后双倍积分 (MCE 开学季活动)，快来 Pick。
75320编辑于 2023-03-02 - 来自专栏DrugOne
AI助力药物虚拟筛选提速百万倍
目前，人类对靶向药物的探索 约覆盖人体全部可成药靶点的10% 面对数以万计的潜在靶点 如何在广阔的化学空间中 快速筛选苗头化合物 已成为该领域里的瓶颈 清华大学智能产业研究院（AIR）兰艳艳教授 联合生命学院 、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 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 可覆盖约1万个蛋白靶点、2万个蛋白口袋 分析筛选超过5亿个类药小分子 总共富集出超过200万个潜在活性分子 构建了目前已知最大规模的 蛋白-配体筛选数据库 该数据库已免费面向全球科研社区开放 为基础研究与早期药物发现
22310编辑于 2026-01-13 - 来自专栏DrugOne
.| 机器学习显著降低药物组合筛选成本
本研究建立机器学习模型，通过极少量的实验就可以对药物组合效应进行预测，因此能显著降低药物组合的筛选成本。 ? 高通量筛选（HTS）使得在临床前的模型系统中分析成千上万种药物组合的表型效应成为可能。但是，由于大量潜在的药物和剂量组合，大规模的多剂量矩阵分析筛选实验成本过于昂贵，这超出了大多数学术实验室的能力。 为了使高通量药物组合筛选在实际项目中更加可行，一种解决剂量或药物组合爆炸问题的方案是仅使用多剂量反应矩阵的一部分数据进行预测。 图2 DECREASE通过高通量实验数据筛选设计，准确预测药物组合效应 3.2 预测剂量组合表面的准确性 DECREASE模型的主要目的是预测被测药物对之间的协同效应。 图4 选择和使用剂量反应矩阵行预测药物联合效应 3.4 DECREASE应用于非癌症药物组合数据 为了说明DECREASE模型在非癌症组合筛选的广泛适用性和性能，使用已发表的包含104种抗疟药物组合的数据集在恶性疟原虫
1K50发布于 2021-01-29 - 来自专栏机器之心
利用知识图谱和分子图，湖大等开发药物筛选新模型
（例如蛋白质或基因）的特征作为输入并输出给定药物 - 靶标对的相互作用概率。 此外，曾湘祥教授团队联合亚马逊AI等单位联合构建了全面的生物知识图谱，包含了药物、疾病、蛋白质、基因、途径和表型等知识信息，因此可以从 KG 中挖掘大量潜在的药物 - 靶标相互作用，这些相互作用可通过知识图谱中的查询模式来提高其他任务的预测性能 通过与基于图（或基于网络的）方法的比较，KG-MTL 可从分子图中自动提取药物的拓扑结构特征，也可从大规模知识图谱中获取药物与其他实体之间的语义关系信息。 现有模型通常通过各种嵌入方法提取药物特征，直接从 KG 中学习实体嵌入，同时很容易忽略药物与其他实体之间的语义关系和拓扑特征。 本文专注于分子相互作用预测，该预测要求模型捕获药物和靶标相关的相互作用。然而，以前的工作采用不充足的信息来表示药物特征，忽略了知识图谱中的语义信息。
66410编辑于 2022-08-25 Boltz-2引领AI驱动的药物虚拟筛选技术革新
在现代药物研发链条中，虚拟筛选（VS）是连接化合物库与先导化合物发现的核心计算枢纽。它能从海量化合物中快速锁定具有潜在生物活性的分子，大幅降低实验筛选的成本与时间。 该研究证实，AI模型Boltz-2在超高难度靶点筛选任务中，性能全面超越传统方法，为药物发现的规模化、精准化发展开辟了新路径。 这类方法无法适配大规模化合物库的筛选需求，难以在药物研发早期阶段推广应用。 尤其在面对ULVSH数据集这类高难度测试集时，传统方法的短板被进一步放大。 三、AI驱动虚拟筛选的行业价值与未来方向 Boltz-2的出现，不仅是技术层面的突破，更标志着药物发现领域正迎来从传统方法向AI驱动的范式转移。 随着模型的持续优化与多技术融合，AI驱动的虚拟筛选必将在药物研发领域发挥愈发关键的作用，加速新药从实验室走向临床的进程。
14710编辑于 2026-01-29- 来自专栏DrugOne
Boltz-2引领AI驱动的药物虚拟筛选技术革新
在现代药物研发链条中，虚拟筛选（VS）是连接化合物库与先导化合物发现的核心计算枢纽。它能从海量化合物中快速锁定具有潜在生物活性的分子，大幅降低实验筛选的成本与时间。 该研究证实，AI模型Boltz-2在超高难度靶点筛选任务中，性能全面超越传统方法，为药物发现的规模化、精准化发展开辟了新路径。 这类方法无法适配大规模化合物库的筛选需求，难以在药物研发早期阶段推广应用。 尤其在面对ULVSH数据集这类高难度测试集时，传统方法的短板被进一步放大。 三、AI驱动虚拟筛选的行业价值与未来方向 Boltz-2的出现，不仅是技术层面的突破，更标志着药物发现领域正迎来从传统方法向AI驱动的范式转移。 随着模型的持续优化与多技术融合，AI驱动的虚拟筛选必将在药物研发领域发挥愈发关键的作用，加速新药从实验室走向临床的进程。
15720编辑于 2026-02-03 - 来自专栏智药邦
Nat Commun｜基于化学微扰转录组自监督表征学习的药物筛选
基于表型的药物筛选方法关注化学分子在细胞、组织、整体动物水平上的响应，可以提供对疾病机制的全面理解，在药物研发中发挥重要作用。 该模型从细胞基因表达和分子结构以高精度预测化学微扰转录组，相应的微扰表征在基于配体的虚拟筛选、药物响应预测和基于表型的药物重定向等下游任务中展现出有效性。 利用TranSiGen筛选胰腺癌候选药物的策略在体外验证中展现出高命中率。 （3）TranSiGen表征在各种下游任务中展现有效性，包括：基于配体的虚拟筛选、药物响应预测和基于表型的药物重定向。 TranSiGen表征在包括虚拟筛选、药物响应预测和基于表型的药物重定向等各种下游任务中展现了有效性，实验验证结果也表明其在药物发现研究具有良好的应用前景。
59210编辑于 2024-07-16 KRAS G12CcRAF结合检测：靶向药物筛选与机制研究新工具
因此，KRASG12C与cRAF的蛋白-蛋白相互作用是突变型KRAS驱动致癌信号的核心环节，也是评价KRASG12C靶向药物（特别是共价抑制剂）作用机制的关键功能指标。 三、人KRASG12C&cRAFBinding试剂盒的设计原理与应用价值在KRASG12C靶向药物的研发及基础机制研究中，实现对突变型KRAS与其下游效应分子cRAF结合能力的精确、定量检测，是评估候选化合物抑制效应的关键技术 2.核心应用场景：-化合物筛选与评价：可用于高通量筛选阻断KRASG12C/cRAF相互作用的小分子化合物库，通过测定半数抑制浓度（IC50）定量评价候选分子的抑制效力，为苗头化合物发现与先导化合物优化提供关键数据 -构效关系研究：在系列结构类似物的评价中，通过比较其对该相互作用的抑制活性，建立分子结构与抑制效能之间的关联，指导理性药物设计。
11910编辑于 2026-02-27- 来自专栏DrugOne
. | “数据+知识+AI” 解锁新靶标药物虚拟筛选
但是，在新靶标的药物虚拟筛选场景中，高精度的活性预测评分方法仍然非常匮乏。许多研究表明，深度学习模型倾向学习数据中的分布偏差，对分布内的数据可以给出很好的性能指标。 最近，中国科学院上海药物研究所郑明月团队提出了一种通用蛋白质-配体相互作用评分方法EquiScore，用于解决新靶标的药物虚拟筛选问题。 在药物虚拟筛选场景和先导化合物优化场景中，EquiScore对训练集未见的新靶标表现出了良好的泛化性能。 这些问题极大的限制了数据驱动的评分方法在实际药物研发场景中的应用潜力，尤其是针对新靶标的药物虚拟筛选。 EquiScore在新靶标的药物虚拟筛选任务上展现出了良好的性能，同时还展示出一定的先导化合物优化的潜力。
61110编辑于 2024-06-18 - 来自专栏智药邦
ACS Cent Sci｜机器学习辅助药物高通量筛选中的优先级识别
作者提出了一种最小方差采样分析（Minimum variance sampling analysis，MVS-A）方法，可以有效分析机器学习模型在高噪声的药物高通量筛选数据上训练期间的学习动态，从而确定筛选得到的各种化合物的优先级 结果表明，所提出的方法超越了现有的方法，可用于指导药物高通量筛选后的进一步优化。 背景 高通量筛选为合成具有适当药理特性的小分子提供了关键的起点，从而显著加速了药物发现的进程。 因此，在高通量筛选之后，选择哪些由筛选得到的化合物优先用于进一步的药理开发，仍然依赖于进一步的实验分析，从而增加了确定真正的有效药物并将其推向市场所需的时间和资源。 因此，尽管在实验中，MVS-A的表现从来没有比随机选择更差，但由于MVS-A所表征的样本差异，实际上是样本中特定结构骨架的差异，而如果所需药物分子的特定的生物活性与MVS-A所关注到的结构差异没有显著关联 未来可以开发将高通量筛选与MVS-A结合的端到端模型，以加速药物发现的进程。 参考文献 [1] Boldini et al.
42010编辑于 2024-04-01 - 来自专栏DrugOne
. | HitScreen：基于序列的药物虚拟筛选模型
DRUGAI 药物-靶标相互作用预测是药物发现中的核心问题。传统基于结构的方法（如分子对接）虽然性能优异，但高度依赖精确的蛋白质三维结构。 近日，浙江大学药学院盛荣团队在Journal of Chemical Information and Modeling期刊发表了一个基于序列的端到端的深度学习模型—HitScreen1，专门用于药物虚拟筛选场景 这表明，即使缺乏蛋白质结构，仅凭序列信息也能实现有效的虚拟筛选。 HitScreen 的核心在于针对药物-靶标相互作用建模中数据与模型的不足提出了相应解决方案。 总结与展望 综上，HitScreen 是一个端到端的基于序列药物-靶标相互作用预测框架，适用于药物的虚拟筛选场景。 展望未来，基于序列的药物-靶标预测有望进一步加深对药物靶标相互作用的理解，并加速药物开发。
31110编辑于 2025-10-14 - 来自专栏DrugOne
. | 大规模药物联合筛选，BATCHIE采用主动学习大放异彩
在对已有大规模筛选实验数据的分析中，BATCHIE能够快速发现高效且具有协同效应的药物组合。 研究结果表明，通过动态优化的实验设计，作者可以用相对较少的实验次数完成系统性的大规模药物联合筛选。 然而，药物联合筛选面临着规模化的巨大挑战。随着实验条件的增加，可能的组合数量呈指数级增长。 举例来说，对100种药物和50种细胞系在5个剂量下进行单药筛选只需2.5万次实验，但如果是两种药物联用，实验次数就会暴增至620万次。即使是最高效的高通量筛选团队，也难以完成如此庞大的实验工作。 这一发现特别重要，因为它表明 BATCHIE 特别适合处理大规模的药物筛选任务。 这些结果不仅证明了BATCHIE的实用价值，更重要的是展示了它在提高大规模药物筛选效率方面的巨大潜力。
23200编辑于 2025-02-03
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