热门主题报告 / 药物发现

---

本报告由 MaltSci•麦伴科研 基于最新文献和研究成果撰写

---

高通量筛选如何发现药物？

摘要

高通量筛选（HTS）是现代药物发现中一项至关重要的技术，能够在短时间内自动化地评估数以万计的化合物对特定生物靶标的影响。HTS的核心在于其快速识别潜在药物候选物的能力，这为后续的药效优化和安全性评估奠定了基础。随着生物技术、计算技术及数据分析技术的迅猛发展，HTS不仅在制药行业得到广泛应用，越来越多的学术机构和非营利研究机构也开始建立高通量筛选设施，推动药物发现研究。HTS的工作流程包括化合物库的准备、筛选方法的选择、自动化测试、数据分析及活性化合物的后续开发。近年来，HTS技术在自动化设备与平台的应用、多样化生物检测方法的引入、数据整合与机器学习的结合等方面取得了显著进展。HTS不仅在新靶点药物的发现中发挥了重要作用，还在现有药物的重新筛选中展现了其独特的优势。然而，HTS也面临化合物选择的多样性和筛选结果的可靠性等挑战。未来，HTS与人工智能的结合有望提升筛选的效率和准确性，同时推动个性化药物开发的进程。通过对HTS技术的全面回顾与分析，本报告为相关研究人员提供了有价值的参考和指导，以促进药物发现领域的进一步发展。

大纲

本报告将涉及如下问题的讨论。

• 1 引言
• 2 高通量筛选的基本原理
  • 2.1 HTS的定义与重要性
  • 2.2 HTS的工作流程
• 3 高通量筛选的技术进展
  • 3.1 自动化设备与平台
  • 3.2 数据采集与分析技术
• 4 高通量筛选在药物发现中的应用
  • 4.1 新靶点药物的发现
  • 4.2 现有药物的重新筛选
• 5 高通量筛选面临的挑战
  • 5.1 化合物选择的多样性
  • 5.2 筛选结果的可靠性
• 6 未来发展方向
  • 6.1 与人工智能结合的HTS
  • 6.2 个性化药物开发的潜力
• 7 总结

1 引言

高通量筛选（High-throughput screening, HTS）作为现代药物发现过程中的一项关键技术，近年来得到了广泛关注和应用。HTS技术的核心在于其能够在短时间内自动化地评估数以万计的化合物对特定生物靶标的影响，这一特性使得药物发现的周期大大缩短，同时提高了研发效率[1]。随着生物技术、计算技术以及数据分析技术的迅猛发展，HTS不仅在制药行业得到了广泛应用，越来越多的学术机构和非营利研究机构也开始建立高通量筛选设施，推动了药物发现的研究[2]。

高通量筛选的研究意义在于其能够快速识别潜在的药物候选物，并为后续的药效优化和安全性评估提供基础。通过HTS，研究人员能够在庞大的化合物库中发现具有生物活性的化合物（即“命中”化合物），这些化合物为进一步的临床前测试提供了“引导”[3]。此外，HTS还在药物重新定位（drug repositioning）中发挥了重要作用，通过对已有药物的筛选，发现其在新适应症上的潜在疗效[1]。

尽管HTS在药物发现中展现出了巨大的潜力，但其过程仍面临诸多挑战。例如，化合物选择的多样性、筛选结果的可靠性以及数据分析的复杂性等问题亟待解决[4]。为此，研究者们正在探索结合人工智能和机器学习等先进技术，以提高HTS的效率和准确性[4]。未来，HTS的技术进展将不仅限于传统的实验方法，还可能与虚拟筛选等计算方法相结合，从而形成更加高效的药物发现流程[5]。

本报告将系统回顾高通量筛选的基本原理、实施步骤和技术进展，具体内容组织如下：首先介绍HTS的定义与重要性以及其工作流程；接着探讨HTS在技术上的最新进展，包括自动化设备与平台的应用，以及数据采集与分析技术的演变；然后分析HTS在药物发现中的实际应用，特别是新靶点药物的发现与现有药物的重新筛选；此外，报告还将讨论HTS面临的挑战，如化合物选择的多样性和筛选结果的可靠性；最后展望HTS未来的发展方向，特别是与人工智能结合的潜力及个性化药物开发的前景。

通过对高通量筛选技术的全面回顾与分析，本报告旨在为相关研究人员提供有价值的参考和指导，以促进药物发现领域的进一步发展。

2 高通量筛选的基本原理

2.1 HTS的定义与重要性

高通量筛选（High-Throughput Screening, HTS）是一种在药物发现过程中至关重要的技术，主要用于快速评估大量化合物的生物活性。HTS的基本原理是通过自动化设备和技术，能够在短时间内测试超过10,000种化合物，以识别出潜在的活性化合物（“命中”），从而为后续的临床前测试提供候选药物（“引导”）[3]。

HTS的定义可以追溯到其能够以极高的效率对化合物库进行筛选，通常涉及对生物目标的生化或细胞基础测试。随着技术的进步，HTS不仅依赖于传统的功能性检测技术，还逐渐结合了生物物理方法，这些方法直接测量低分子化合物与目标蛋白之间的物理相互作用（亲和力）[6]。这种结合使得HTS在药物发现的各个阶段都能提供更为丰富的信息，增强了命中识别和验证的能力[6]。

在药物发现的早期阶段，HTS能够帮助识别大量的潜在药物分子。通过对化合物的筛选，研究人员可以快速获取关于化合物的生物活性、毒性及其他药理特性的信息。这种高通量的方法使得研究人员能够在短时间内从众多化合物中筛选出最具潜力的候选药物，从而大大加速了药物开发的过程[7]。

近年来，HTS的技术也在不断进步，特别是结合了高内容筛选（High-Content Screening, HCS）技术，使得研究者能够在单细胞水平上获得更深层次的生物学信息。这种技术特别适合于干细胞研究和药物发现，因为它能够检测异质培养物中稀有表型的变化[8]。通过这种细致的分析，HTS能够更有效地识别出具有临床潜力的化合物[8]。

总之，高通量筛选在药物发现中的重要性体现在其能够以高效、系统化的方式测试大量化合物，识别出有潜力的药物候选者，并为后续的药物开发提供基础。随着技术的不断进步，HTS在药物发现中的应用将更加广泛和深入。

2.2 HTS的工作流程

高通量筛选（High-Throughput Screening, HTS）是一种用于药物发现的技术，旨在以极高的效率和速度测试大量化合物，以识别潜在的活性化合物（即“命中”），并进一步发展为临床前测试的“领先”化合物。HTS通常定义为每周自动测试超过10,000种化合物[3]。这一技术在药物发现和领先优化中扮演了重要角色，特别是在药物筛选的早期阶段。

HTS的基本原理涉及将复杂的化合物库通过自动化设备进行快速测试。该过程通常包括以下几个关键步骤：

1. 化合物库的准备：研究人员首先构建一个化合物库，这个库可能包含数以万计的天然产物或合成化合物。高通量技术的目标是对这些化合物进行系统性筛选，以便快速识别可能具有生物活性的化合物。

2. 筛选方法的选择：HTS技术可以结合多种筛选方法，包括传统的酶活性筛选和更现代的计算机辅助筛选方法[2]。这意味着，HTS不仅限于实验室测试，还可以利用虚拟筛选来缩小搜索范围，提高效率。

3. 自动化测试：通过使用自动化设备，研究人员能够在短时间内对大量样品进行测试。高通量筛选的自动化特性使得数据采集和处理速度大大加快，从而能够在较短的时间内获得结果。

4. 数据分析与筛选结果的评估：测试结果会产生大量数据，研究人员使用统计学和计算方法来分析这些数据，以识别出哪些化合物具有活性。现代HTS还越来越多地采用机器学习和深度学习等数据分析技术，以提高筛选的准确性和效率[4]。

5. 活性化合物的后续开发：一旦识别出具有潜在活性的化合物，研究人员将对其进行进一步的生物化学和药理学评估，以确定其作为药物的可行性。这些后续研究可能包括优化化合物的结构以提高其活性和选择性[9]。

综上所述，高通量筛选通过整合自动化技术、数据分析和多种筛选方法，使得药物发现的过程更加高效和系统化。这一过程不仅适用于传统的药物筛选，还能够与虚拟筛选相结合，从而为药物发现提供了更广泛的可能性和更高的成功率[5]。

3 高通量筛选的技术进展

3.1 自动化设备与平台

高通量筛选（HTS）是一种在药物发现过程中至关重要的技术，旨在以高效的方式测试大量化合物以识别潜在的活性成分。该技术通常定义为每周自动测试超过10,000种候选药物分子的能力，其目标是从大规模化合物库中筛选出具有活性的“命中”化合物，进而发展为可进行临床前测试的“先导”化合物[3]。

高通量筛选的技术进展主要体现在以下几个方面：

1. 自动化设备与平台：随着合成技术（如组合化学和自动化合成）的发展，HTS已经成为早期药物发现不可或缺的工具。这些自动化设备使得高通量筛选能够在极短的时间内处理大量样品，显著提高了筛选的速度和效率[10]。

2. 多样化的生物检测方法：现代HTS不仅限于传统的酶活性筛选，还扩展到多种生物检测方法，包括基于生物发光和化学发光的检测技术。这些方法能够快速、灵敏地检测分析物，适用于小体积样品，增强了筛选的灵活性和适用性[10]。

3. 数据整合与机器学习：近年来，数据整合技术的引入，尤其是机器学习的应用，极大地优化了HTS管道。这些技术能够有效区分真实的生物活性与实验伪影，提升了药物发现过程的准确性和效率。例如，通过数据估值方法，可以评估数据点的重要性，从而优化化合物库的筛选过程[4]。

4. 虚拟筛选的结合：虚拟筛选作为一种理论性的方法，通常与HTS相辅相成。它能够在实验前通过计算手段减少待筛选化合物的数量，节省成本和时间。这种整合策略使得药物发现过程更加高效[5]。

5. 新技术的出现：高通量筛选的未来发展还包括DNA编码库（DELs）等新技术，这些技术具备更强的筛选能力，能够实现平行筛选、体外和体内筛选等新型筛选选项。这些新方法为药物发现开辟了新的途径[11]。

综上所述，高通量筛选通过自动化设备、灵活的生物检测方法、数据整合与机器学习的应用，以及虚拟筛选的结合，极大地推动了药物发现的效率和准确性。这些技术的进步不仅提升了药物研发的速度，也为新药的发现提供了更广阔的可能性。

3.2 数据采集与分析技术

高通量筛选（HTS）是一种关键技术，广泛应用于药物发现过程中，能够快速有效地筛选大量潜在药物化合物。该技术的基本原理是自动化测试大量化合物，通常以每周超过10,000个化合物的速度进行测试，从而识别出具有生物活性的化合物（“命中”）以供进一步开发（Mishra et al., 2008）[3]。

在高通量筛选的过程中，首先需要构建一个包含多种化合物的库，这些化合物通常是低分子量化合物。研究者通过筛选这些化合物来寻找能够与特定生物靶点相互作用的“先导”化合物。高通量筛选的优势在于其能够快速生成大量数据，进而为后续的药物优化提供基础（Aherne et al., 2002）[7]。

随着技术的发展，数据采集与分析技术在高通量筛选中变得愈加重要。新兴的机器学习技术被应用于HTS数据分析中，以提高数据处理的效率和准确性。例如，Hesse等人（2024）提出了一种基于数据价值评估的新方法，能够优化高通量筛选管道，通过识别真正的生物活性与实验伪影来提升筛选的准确性。这种方法还能够在不忽略重要的非活性样本的情况下，平衡HTS数据集，从而改善机器学习模型的性能[4]。

此外，生物发光和化学发光技术也被广泛应用于高通量筛选中。这些技术能够快速、灵敏地检测分析物，适用于小体积样本的筛选，进而提高筛选的效率（Roda et al., 2003）[10]。高通量筛选不仅限于药物发现的初期阶段，还可以与虚拟筛选相结合，利用计算方法对化合物库进行系统分析，从而进一步减少需要进行生化检测的化合物数量（Malik et al., 2017）[12]。

综上所述，高通量筛选通过自动化测试和数据分析技术的结合，不仅提高了药物发现的速度和效率，也为药物开发提供了更为可靠的基础。随着技术的不断进步，HTS的应用范围和效果将进一步扩展，推动新药研发的进程。

4 高通量筛选在药物发现中的应用

4.1 新靶点药物的发现

高通量筛选（High-Throughput Screening, HTS）是现代药物发现中不可或缺的技术，主要用于快速识别具有生物活性的化合物。其核心理念是通过自动化的方式，在短时间内对大量潜在药物候选物进行测试，以寻找具有活性的“命中”化合物，从而为后续的临床前测试提供“引导”化合物[3]。

高通量筛选的过程通常涉及多个步骤。首先，研究人员需要构建一个化合物库，通常包含超过10,000种化合物，这些化合物可以是天然产物、合成小分子或其他类型的分子。然后，利用自动化设备进行高效的生物测定，这些测定可以评估化合物对特定生物靶点的活性。高通量筛选不仅能够提高实验的速度和效率，还能够在短时间内生成大量的数据，这对于后续的药物开发和优化至关重要[7]。

近年来，随着基因组计划和癌症基因组学的发展，HTS在发现新靶点药物方面的应用变得尤为重要。HTS技术使得研究人员能够有效地筛选出针对新发现的分子靶点的化合物，这些靶点可能在癌症或其他疾病的发病机制中扮演关键角色。通过对不同低分子量化合物的筛选，HTS为药物化学的迭代优化提供了化学起始点[7]。

此外，HTS的技术不断进步，包括生物发光和化学发光技术的应用，这些技术可以实现快速且灵敏的检测，适用于小体积样本[10]。例如，基于生物发光的检测技术能够在体外和体内进行药物筛选，帮助研究人员更好地理解化合物的生物活性[10]。

在新靶点药物的发现过程中，HTS还与虚拟筛选相结合，形成了一种互补的策略。虚拟筛选通过计算方法对大规模化合物库进行初步评估，从而减少需要进行实验的化合物数量。这种结合不仅提高了筛选的效率，还可以在早期阶段就识别出潜在的活性化合物，降低了时间和成本[5]。

综上所述，高通量筛选通过其自动化、快速和高效的特性，成为了药物发现特别是新靶点药物发现的重要工具。随着技术的不断发展，HTS将继续在药物开发过程中发挥关键作用，推动新药的研发进程。

4.2 现有药物的重新筛选

高通量筛选（HTS）在药物发现中扮演着至关重要的角色，尤其是在现有药物的重新筛选方面。HTS技术允许研究人员在短时间内对大量化合物进行测试，从而快速识别出潜在的生物活性化合物。这一过程不仅适用于新药的发现，也适合于已上市药物的重新筛选，以探索其在新适应症或新靶点上的疗效。

高通量筛选的基本原理是通过自动化技术同时评估成千上万的化合物，通常每周测试超过10,000种候选药物。研究表明，重新筛选的药物大多是通过偶然观察、回顾性研究和药理学分析获得的，而不是通过实验方法[1]。这一观察突显了在药物重新定位中存在的方法学悖论，尽管后基因组时代的学术实验室受益于前所未有的技术进步，但在实际应用中，资金、实践和监管的复杂性依然对药物重新定位构成挑战。

为了提高学术药物筛选的效率和临床相关性，提出了一种被称为“实验室外包”（labsourcing）的愿景方法。这种方法强调了多学科专业知识的聚合，例如实验设计、细胞生物学、统计学和生物信息学，以在多种条件和读出方式下进行多种生物测定[1]。这种高输入筛选的优势包括：解决由于库的大小和内容、测定类型和条件的差异可能引发的矛盾；生成大量适用于多个出版物和资助请求的数据；为学生和博士后提供教育机会；以及为小型实验室提供参与筛选项目的机会，从而实现研究的民主化。

在药物重新筛选的过程中，虚拟筛选和高通量筛选的结合也被认为是一个重要的发展方向。尽管这两种筛选技术通常被视为不同的方法，前者是理论性的，后者是实验性的，但它们在药物发现中的任务和目标是相辅相成的。近年来，统计学、信息学和过滤方法的引入促进了实验和计算筛选的整合，从而最大化其在药物发现中的产出[5]。

此外，近年来的研究还表明，使用生物发光和化学发光技术作为高通量筛选的检测手段，可以实现对分析物的快速和敏感检测。这些技术不仅适用于体外实验，还可以用于体内实验，进一步拓宽了药物筛选的应用范围[10]。

总之，高通量筛选在药物发现，尤其是现有药物的重新筛选中，提供了一种高效、快速的解决方案。通过整合多种技术和方法，研究人员能够更好地识别出潜在的药物候选者，推动药物开发进程。

5 高通量筛选面临的挑战

5.1 化合物选择的多样性

高通量筛选（HTS）在药物发现中扮演着至关重要的角色，其主要目标是快速评估大量化合物的活性，从而识别潜在的药物候选物。高通量筛选通常定义为每周自动测试超过10,000种潜在药物候选物的过程，其核心在于测试大规模化合物集合，以寻找具有生物活性的“命中”化合物，从而推动进一步的前临床开发[3]。

在高通量筛选中，化合物选择的多样性是一个重要的挑战。构建一个成功的化合物集合不仅要考虑化合物的结构多样性，还需考虑其与目标蛋白的相互作用及后续筛选实验的适应性。一个优化的化合物集合应最大限度地减少假阳性，同时提高可用于后续开发和优化的化合物的命中率。如果未能充分考虑相关的蛋白质目标和下游筛选实验，化合物的筛选和选择可能会错失化学多样性的广泛范围，从而忽视有价值的新颖性[13]。

高通量筛选面临的挑战还包括化合物的纯度和质量控制问题。合成后可能存在的杂质会导致筛选结果的模糊性，并抑制结构-活性关系的建立。因此，快速的高通量分析表征方法的开发变得至关重要，以便跟上化合物生产的速度[14]。此外，随着生物技术的进步，使用人类干细胞技术可以生成几乎无限的正常人类细胞，从而提高筛选的相关性[15]。

为了克服这些挑战，现代药物发现策略正在探索结合高通量筛选和计算机辅助筛选的方法，以提高药物发现的效率和成功率。尽管高通量筛选是发现项目的主要起点，但计算方法逐渐以其更理性的方式介入，加速药物发现和开发过程[16]。例如，结合组合化学的优势，可以提供结构多样的库，以用于早期药物发现[17]。

综上所述，高通量筛选通过快速评估大量化合物来发现药物，但在化合物选择的多样性、化合物的纯度控制以及如何有效利用新技术方面面临诸多挑战。有效的化合物集合构建和筛选策略的制定将是未来药物发现成功的关键。

5.2 筛选结果的可靠性

高通量筛选（High-Throughput Screening, HTS）在药物发现中扮演着至关重要的角色，其主要目的是通过快速评估大量化合物的生物活性来识别潜在的药物候选物。高通量筛选技术利用自动化设备和复杂的检测方法，能够在短时间内处理成千上万的样品，从而显著提高药物发现的效率。

然而，高通量筛选面临诸多挑战，尤其是在筛选结果的可靠性方面。首先，传统的高通量筛选通常依赖于对高度增殖的永生化细胞系或癌细胞系的测试，这些细胞系并不一定能准确反映正常人类细胞或特定研究细胞类型的反应。因此，这种方法可能导致筛选结果的生物学相关性不足[15]。

其次，随着药物发现领域对新分子靶点的需求不断增加，开发新的合成技术和筛选技术显得尤为重要。近年来，生物发光和化学发光等检测技术被广泛应用于高通量筛选中，这些技术不仅能够实现快速、灵敏的分析，还适用于小体积样品[10]。然而，这些技术的复杂性也可能影响筛选结果的稳定性和可靠性。

在高通量筛选的过程中，筛选结果的可靠性还受到化合物库的多样性和质量的影响。化合物库的设计需确保其涵盖广泛的化学空间，以便能够找到具有高亲和力和特异性的候选化合物[18]。如果化合物库的多样性不足，可能会导致错过潜在的药物候选物。

此外，高通量筛选与虚拟筛选的结合为提高筛选结果的可靠性提供了新的思路。虚拟筛选通过计算模型对化合物进行初步筛选，可以在实验筛选之前缩小候选化合物的范围，从而提高后续实验的效率和成功率[5]。然而，尽管高通量筛选和虚拟筛选在药物发现中互为补充，但二者的整合仍面临技术和数据管理的挑战。

综上所述，高通量筛选在药物发现中具有重要的应用价值，但其面临的挑战主要集中在筛选结果的可靠性、化合物库的设计以及新技术的应用等方面。为了克服这些挑战，研究者们需不断探索和优化筛选技术，以提高药物发现的效率和成功率。

6 未来发展方向

6.1 与人工智能结合的HTS

高通量筛选（HTS）是一种广泛应用于药物发现的技术，近年来随着硬件和软件的改进，HTS与人工智能（AI）的结合为药物发现开辟了新的方向。HTS技术通过自动化和小型化实验，能够在短时间内对大量化合物进行筛选，从而快速识别具有生物活性的候选药物。根据文献，HTS已经发展成为一种成熟的学科，是药物发现中化学起点的重要来源[19]。

在HTS的传统方法中，主要侧重于筛选能力的量化提升，然而，近年来更多的关注点转向了内容和质量的提升。专家们指出，HTS面临着选择高通量/更多实验与关注更具生理相关性的实验之间的抉择，这可能会提高制药研发的生产力[19]。通过与AI技术的结合，HTS可以更有效地处理和分析从生物实验中生成的大量数据。AI技术，特别是深度学习和机器学习，能够在化学信息学和生物图像分析领域发挥关键作用，从而提升活性预测、分子设计等方面的效率[20]。

此外，结合深度学习的HTS可以处理更复杂的实验数据，如转录组分析和成像技术，使得药物发现过程不仅限于传统的生物测定，还能够进行更为细致的单细胞级别的研究。这种高内容筛选（HCS）方法尤其适合干细胞研究和药物发现，因为它能够在异质文化中检测稀有表型[8]。

未来，HTS与AI的结合将使得每种发现策略更具项目相关性、量身定制，并更好地融入更广泛的药物发现工作中。这种灵活性将促进药物发现中的目标识别策略以及对新型难以靶向的靶类的探索[19]。此外，随着化学多样性方法的进步，HTS也将更多地采用亲和选择技术，从而进一步提高药物发现的效率[19]。

总体来看，HTS在药物发现中的应用前景广阔，特别是在与AI技术结合的背景下，未来将可能推动更高效、更精准的药物筛选和发现方法的实现。这种结合不仅能够提高筛选的效率和准确性，还能够推动新型药物的开发，满足现代医学日益增长的需求。

6.2 个性化药物开发的潜力

高通量筛选（High-throughput screening, HTS）在药物发现中发挥着至关重要的作用，其基本原理是通过自动化技术快速评估大量化合物的生物活性，从而识别出具有潜在治疗作用的候选药物。HTS技术的优势在于其能够以每周超过10,000种化合物的速度进行自动化测试，这使得研究人员能够迅速筛选出有效的“命中”化合物，进而进行后续的优化和开发[3]。

随着人类基因组计划和癌症基因组学的进展，新的分子靶点不断涌现，这为药物开发提供了丰富的资源[7]。高通量筛选通过对多样化的低分子量化合物进行筛查，为药物化学的迭代优化提供了化学起始点。这种方法不仅加快了药物发现的速度，还提高了效率，使得研究者能够在更短的时间内识别出有潜力的药物候选者[7]。

近年来，随着技术的进步，HTS与亚细胞分辨率显微镜相结合，形成了高内容筛选（High-content screening, HCS），这种方法能够在单细胞水平上获得更深入的生物学信息，使得对复杂生物系统的研究变得更加高效[8]。HCS尤其适合于干细胞研究和药物发现，因为它能够检测异质培养物中稀有表型的变化，这为个性化药物开发提供了新的可能性[8]。

个性化药物开发的潜力在于利用干细胞技术，研究人员能够从患者的诱导多能干细胞（iPSC）中生成特定类型的正常人类细胞，这为药物筛选提供了更为相关的模型。这种方法不仅可以用于研究正常细胞的药物反应，还可以针对特定疾病特征的患者进行更为精准的药物筛选[15]。此外，随着DNA编码库（DNA-encoded libraries, DELs）等新兴技术的发展，药物发现的筛选能力将进一步增强，这可能会在未来实现药物发现率的显著提升[11]。

总之，高通量筛选不仅在药物发现的早期阶段发挥了重要作用，还为个性化药物开发提供了强大的技术支持和广阔的前景。通过结合先进的技术和方法，未来的药物开发将更加高效和精准，为患者提供更具针对性的治疗方案。

7 总结

高通量筛选（HTS）作为现代药物发现的重要技术，展现了其在快速识别潜在药物候选物方面的巨大潜力。本文总结了HTS的基本原理、工作流程及其技术进展，强调了自动化设备与平台的应用、数据采集与分析技术的演变，以及HTS在新靶点药物发现和现有药物重新筛选中的实际应用。尽管HTS在药物发现中具有显著优势，但也面临着化合物选择的多样性、筛选结果的可靠性等挑战。未来的研究方向应集中于与人工智能结合，以提升筛选的效率和准确性，同时探索个性化药物开发的潜力。通过不断优化HTS技术，药物发现的过程将更加高效，为新药研发提供更广阔的可能性。

参考文献

• [1] Alessandro Datti. Academic drug discovery in an age of research abundance, and the curious case of chemical screens toward drug repositioning.. Drug discovery today(IF=7.5). 2023. PMID:36764576. DOI: 10.1016/j.drudis.2023.103522.
• [2] Shelby K Doyle;Marius S Pop;Helen L Evans;Angela N Koehler. Advances in discovering small molecules to probe protein function in a systems context.. Current opinion in chemical biology(IF=6.1). 2016. PMID:26615565. DOI: 10.1016/j.cbpa.2015.10.032.
• [3] K P Mishra;L Ganju;M Sairam;P K Banerjee;R C Sawhney. A review of high throughput technology for the screening of natural products.. Biomedicine & pharmacotherapy = Biomedecine & pharmacotherapie(IF=7.5). 2008. PMID:17692498. DOI: 10.1016/j.biopha.2007.06.012.
• [4] Joshua Hesse;Davide Boldini;Stephan A Sieber. Machine Learning-Driven Data Valuation for Optimizing High-Throughput Screening Pipelines.. Journal of chemical information and modeling(IF=5.3). 2024. PMID:39440790. DOI: 10.1021/acs.jcim.4c01547.
• [5] Jürgen Bajorath. Integration of virtual and high-throughput screening.. Nature reviews. Drug discovery(IF=101.8). 2002. PMID:12415248. DOI: 10.1038/nrd941.
• [6] Christian Bergsdorf;Johannes Ottl. Affinity-based screening techniques: their impact and benefit to increase the number of high quality leads.. Expert opinion on drug discovery(IF=4.9). 2010. PMID:22827747. DOI: 10.1517/17460441.2010.524641.
• [7] G Wynne Aherne;Edward McDonald;Paul Workman. Finding the needle in the haystack: why high-throughput screening is good for your health.. Breast cancer research : BCR(IF=5.6). 2002. PMID:12100740. DOI: 10.1186/bcr440.
• [8] Xiaofeng Xia;Stephen T Wong. Concise review: a high-content screening approach to stem cell research and drug discovery.. Stem cells (Dayton, Ohio)(IF=3.6). 2012. PMID:22821636. DOI: 10.1002/stem.1168.
• [9] Daniel Siegismund;Matthias Fassler;Stephan Heyse;Stephan Steigele. Benchmarking feature selection methods for compressing image information in high-content screening.. SLAS technology(IF=3.7). 2022. PMID:35058213. DOI: 10.1016/j.slast.2021.10.015.
• [10] Aldo Roda;Massimo Guardigli;Patrizia Pasini;Mara Mirasoli. Bioluminescence and chemiluminescence in drug screening.. Analytical and bioanalytical chemistry(IF=3.8). 2003. PMID:12879192. DOI: 10.1007/s00216-003-2096-6.
• [11] Yashoda Krishna Sunkari;Vijay Kumar Siripuram;Thu-Lan Nguyen;Marc Flajolet. High-power screening (HPS) empowered by DNA-encoded libraries.. Trends in pharmacological sciences(IF=19.9). 2022. PMID:34782164. DOI: 10.1016/j.tips.2021.10.008.
• [12] Vidhi Malik;Jaspreet Kaur Dhanjal;Anjani Kumari;Navaneethan Radhakrishnan;Kamya Singh;Durai Sundar. Function and structure-based screening of compounds, peptides and proteins to identify drug candidates.. Methods (San Diego, Calif.)(IF=4.3). 2017. PMID:28843611. DOI: 10.1016/j.ymeth.2017.08.010.
• [13] David J Huggins;Ashok R Venkitaraman;David R Spring. Rational methods for the selection of diverse screening compounds.. ACS chemical biology(IF=3.8). 2011. PMID:21261294. DOI: 10.1021/cb100420r.
• [14] Jeremy R Kenseth;Shelley J Coldiron. High-throughput characterization and quality control of small-molecule combinatorial libraries.. Current opinion in chemical biology(IF=6.1). 2004. PMID:15288253. DOI: 10.1016/j.cbpa.2004.06.004.
• [15] Allison D Ebert;Clive N Svendsen. Human stem cells and drug screening: opportunities and challenges.. Nature reviews. Drug discovery(IF=101.8). 2010. PMID:20339370. DOI: 10.1038/nrd3000.
• [16] Sharangdhar S Phatak;Clifford C Stephan;Claudio N Cavasotto. High-throughput and in silico screenings in drug discovery.. Expert opinion on drug discovery(IF=4.9). 2009. PMID:23480542. DOI: 10.1517/17460440903190961.
• [17] Vitaly V Komnatnyy;Thomas E Nielsen;Katrine Qvortrup. Bead-based screening in chemical biology and drug discovery.. Chemical communications (Cambridge, England)(IF=4.2). 2018. PMID:29888365. DOI: 10.1039/c8cc02486c.
• [18] Natarajan Arul Murugan;Artur Podobas;Davide Gadioli;Emanuele Vitali;Gianluca Palermo;Stefano Markidis. A Review on Parallel Virtual Screening Softwares for High-Performance Computers.. Pharmaceuticals (Basel, Switzerland)(IF=4.8). 2022. PMID:35056120. DOI: 10.3390/ph15010063.
• [19] Lorenz M Mayr;Dejan Bojanic. Novel trends in high-throughput screening.. Current opinion in pharmacology(IF=4.2). 2009. PMID:19775937. DOI: 10.1016/j.coph.2009.08.004.
• [20] Laurianne David;Josep Arús-Pous;Johan Karlsson;Ola Engkvist;Esben Jannik Bjerrum;Thierry Kogej;Jan M Kriegl;Bernd Beck;Hongming Chen. Applications of Deep-Learning in Exploiting Large-Scale and Heterogeneous Compound Data in Industrial Pharmaceutical Research.. Frontiers in pharmacology(IF=4.8). 2019. PMID:31749705. DOI: 10.3389/fphar.2019.01303.

麦伴智能科研服务

轻松定制专业报告

在麦伴科研 (maltsci.com) 搜索更多文献

高通量筛选 · 药物发现 · 自动化技术 · 数据分析 · 机器学习

---

© 2025 MaltSci 麦伴科研