- 综合排序
- 最热优先
- 最新优先
- 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。
68910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。
48420编辑于 2023-02-24 - 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
专家意见 实验筛选和虚拟筛选是互补的方法，应该在发现hit的环境中进行整合。虚拟筛选可以获得极其庞大的、合成上可行的化学空间，可以在GPU集群或云架构上有效搜索。 文章亮点 大型的可合成的化合物虚拟数据库涵盖了可用于虚拟筛选的化学空间的较大部分 DNA编码库（DELs）代表了实验筛选的化学空间的更好覆盖，并为虚拟筛选提供了大型训练数据集 定量高通量筛选产生了更高质量的数据 ，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。 虚拟和实验筛选的整合 有各种策略可以将虚拟筛选和实验筛选的优势结合起来，尽管并不是所有的策略都被运用到同样的程度。
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。
71920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。
53630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。
1.2K10编辑于 2022-06-08 - 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。
64920编辑于 2023-10-24 - 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
5.3K30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。 研究人员将该模型应用于筛选靶向EGFRLTC突变型激酶的抑制剂，并在实验中成功识别出具有纳摩尔级效力的化合物。 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。 通过对EGFRLTC的筛选实验，Ligand-Transformer展示出良好的泛化能力与高筛选效率，其速度比传统对接方法提升百倍以上。 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。
33710编辑于 2025-08-09 - 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。 为突破这些瓶颈，研究人员提出结合高通量实验数据与机器学习虚拟筛选的混合策略，以在超大化学空间中高效探索潜在抗菌分子。 模型可在多 GPU 环境下实现高通量推理，单次可处理数十万分子，满足超大规模虚拟筛选的需求。 图3. 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 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。
16420编辑于 2026-01-06 - 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
21810编辑于 2026-01-13 - 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
86420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。 为突破这些瓶颈，研究人员提出结合高通量实验数据与机器学习虚拟筛选的混合策略，以在超大化学空间中高效探索潜在抗菌分子。 模型可在多 GPU 环境下实现高通量推理，单次可处理数十万分子，满足超大规模虚拟筛选的需求。 图3. 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 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。
16610编辑于 2026-01-08Boltz-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。 然而，传统虚拟筛选方法长期受限于预测精度与计算效率的双重瓶颈。 一、传统虚拟筛选的技术瓶颈 传统虚拟筛选技术主要分为两类，均存在难以规避的缺陷。 普适性强：无需依赖蛋白的三维晶体结构，可直接应用于未被结构解析的靶点，极大拓展了虚拟筛选的适用范围。 填补技术鸿沟传统虚拟筛选方法难以兼顾 大规模筛选 与 高精度预测 的需求。Boltz-2凭借高效的计算能力，在单GPU卡上可实现日均1000个配体的筛选规模【日均应该在1000以下，还是比较慢的】。
14110编辑于 2026-01-29- 来自专栏DrugOne
｜人工智能在虚拟筛选中的应用
人工智能正以快速的步伐改变药物发现中的虚拟筛选，通过利用日益增长的实验数据并扩大其可扩展性，这些创新有望提升基于配体的虚拟筛选(LBVS)方法和基于结构的虚拟筛选(SBVS)方法的效率和精确性。 虚拟筛选可应用于基于结构和基于配体的药物发现。在基于结构的虚拟筛选(SBVS)中，分子对接可根据化合物与靶点位点预测得到的结合亲和力对大型化合物库进行排序。 随着近年来包含数十亿个合成可行分子的超大型化合物库的出现，传统的虚拟筛选在计算效率和准确性方面面临着越来越大的挑战。 这种方法能为虚拟筛选提供显著优势，通过更准确地估计配体结合与动力学参数，来加速新药候选分子的发现。 这一趋势推动了AI成为虚拟筛选的核心组成部分，展现出其在加速新型治疗药物发现方面的巨大潜力。
32110编辑于 2025-10-14 - 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。 然而，传统虚拟筛选方法长期受限于预测精度与计算效率的双重瓶颈。 一、传统虚拟筛选的技术瓶颈 传统虚拟筛选技术主要分为两类，均存在难以规避的缺陷。 普适性强：无需依赖蛋白的三维晶体结构，可直接应用于未被结构解析的靶点，极大拓展了虚拟筛选的适用范围。 填补技术鸿沟传统虚拟筛选方法难以兼顾 大规模筛选 与 高精度预测 的需求。Boltz-2凭借高效的计算能力，在单GPU卡上可实现日均1000个配体的筛选规模【日均应该在1000以下，还是比较慢的】。
14920编辑于 2026-02-03 Nature | VirtualFlow：开源超大规模虚拟筛选平台的设计、实现与应用
多阶段虚拟筛选流程 7. 实验验证体系 8. 命中化合物的结构与活性分析 9. 超大规模筛选的统计学基础 10. 与现有方法的比较 11. 局限性与未来方向 12. 综合评价与意义 1. 这一困境的深层原因在于： • 苗头化合物质量不足：初始筛选命中物的亲和力差、选择性低，导致后续大量优化工作 • 化学空间探索的局限性：现有虚拟筛选每次仅能覆盖 10⁶–10⁷ 个分子，而估计适合药物开发的类药分子总数高达 10⁶⁰ • 计算资源与工具链的割裂：大规模计算资源可用，但缺乏能将其整合到药物发现流程中的自动化平台 1.2 虚拟筛选的核心逻辑 结构导向虚拟筛选（Structure-Based Virtual Screening 2.2 VFVS：虚拟筛选模块（VirtualFlow for Virtual Screening） VFVS 负责执行分子对接计算，是整个平台的计算核心。 ，VirtualFlow 的线性扩展性使其天然适配 • 机器学习评分函数：替代或补充传统力场评分，提升虚拟筛选的富集率 • 自由能微扰（FEP）计算：作为多阶段筛选的末端精确评分（论文图 1 中已列出为可选第三阶段
16710编辑于 2026-03-30- 来自专栏ypw
素数筛选
for (int j=2*i;j<=n;j+=i) a[j]=1; } } 这个其实还是可以优化的，仔细想想这里面有重复筛选的情况 ，比如6，它就是2*3，但是筛选的时候筛选了2次，因为它既是2的倍数，也是3的倍数。
1.6K30发布于 2020-09-11 - 来自专栏智药邦
Nature｜对包含110亿种化合物的虚拟库进行快速筛选
库越来越大，需要新的方法来搜索 高通量筛选（HTS）和虚拟配体筛选（VLS）的标准库历来被限制在不到1000万个可用化合物，与潜在的1060个类药物化合物的巨大化学空间相比，这只是一小部分。 后来，包含数十亿化合物的虚拟库被开发出来。但随着虚拟库的规模增加到数十亿，筛选库中所包含的分子在计算上变得不切实际，而且成本过高。 用于巨大化学库的虚拟筛选方法 Sadybekov及其同事开发了一种被称为V-SYNTHES的方法（virtual synthon hierarchical enumeration screening，虚拟合成子分级枚举筛选 V-SYNTHES的工作流程和结果 图1 一种处理巨大化学库的虚拟药物筛选方法 该方法的流程如下。 1.首先建立一个小型的虚拟库。 不过从长远来看，虚拟筛选的更大问题是，无论该方法如何快速，其结果都取决于对接步骤的准确性。
1.1K21编辑于 2021-12-20
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