MaltSci 麦伴科研

Appearance

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

分子模拟如何预测药物相互作用？ ​

摘要 ​

分子建模作为一种重要的计算方法，在药物发现和开发中扮演着越来越重要的角色。药物研发通常耗时长、成本高，而分子建模技术能够有效降低这一成本和时间，提高药物设计的成功率。通过模拟分子间的相互作用，分子建模可以预测药物与靶标之间的结合亲和力、特异性及潜在副作用，为药物筛选提供强有力的指导。近年来，随着计算能力的提升和生物数据的积累，分子建模技术的研究和应用也在不断进步。分子对接、分子动力学模拟、定量构效关系（QSAR）等技术已成为药物相互作用预测的重要工具。分子对接技术通过计算机模拟预测配体与受体之间的结合情况，提供结合模式和结合能量的评估，而分子动力学模拟则揭示了分子相互作用的动态特性。QSAR方法则利用化合物的结构特征与生物活性之间的定量关系，帮助预测新化合物的生物活性。尽管分子建模展现出巨大的潜力，但仍面临数据不足和模型准确性等挑战。随着个性化医疗的兴起，如何将分子建模技术应用于个体化药物治疗中成为新的研究方向。本报告旨在为研究人员和药物开发者提供有价值的参考，推动分子建模技术在药物研发中的进一步应用与发展。

大纲 ​

本报告将涉及如下问题的讨论。

  • 1 引言
  • 2 分子建模的基本原理
    • 2.1 分子对接技术
    • 2.2 分子动力学模拟
  • 3 药物相互作用的预测方法
    • 3.1 定量构效关系(QSAR)
    • 3.2 机器学习在药物设计中的应用
  • 4 分子建模的实际应用案例
    • 4.1 成功案例分析
    • 4.2 失败案例的教训
  • 5 当前挑战与未来展望
    • 5.1 数据不足与模型准确性
    • 5.2 个性化医疗中的应用潜力
  • 6 总结

1 引言 ​

分子建模作为一种重要的计算方法，在药物发现和开发过程中发挥着越来越重要的作用。药物的研发过程通常耗时长、成本高，而分子建模技术的应用可以有效降低这一成本和时间，提高药物设计的成功率。分子建模通过模拟分子间的相互作用，能够预测药物与靶标之间的结合亲和力、特异性以及可能的副作用，为药物筛选提供了强有力的指导。这种方法在药物开发的早期阶段尤其重要，因为它能够在大量化合物中筛选出具有潜在活性的候选药物，从而加速新药的上市进程[1]。

近年来，随着计算能力的提升和生物数据的积累，分子建模技术的研究和应用也在不断进步。分子对接、分子动力学模拟、定量构效关系（QSAR）等技术已成为药物相互作用预测的重要工具。分子对接技术能够提供药物与靶标的结合模式和结合能量，帮助研究人员理解分子间的相互作用机制[2]。分子动力学模拟则通过模拟分子在时间维度上的动态变化，揭示了分子相互作用的时间依赖性和环境影响，进一步提高了预测的准确性[3]。同时，定量构效关系（QSAR）方法利用化合物的结构特征和生物活性之间的定量关系，帮助预测新化合物的生物活性[4]。

尽管分子建模在药物发现中展现了巨大的潜力，但仍面临一些挑战。数据的不足和模型的准确性是当前研究中的主要问题之一。许多模型依赖于实验验证的少量数据，这限制了其泛化能力和准确性[5]。此外，随着个性化医疗的兴起，如何将分子建模技术应用于个体化药物治疗中，成为了一个新的研究方向。个性化医疗要求对患者的基因组信息进行深入分析，以预测药物的疗效和副作用，这为分子建模提供了新的应用场景和发展机遇[6]。

本报告将围绕分子建模在药物相互作用预测中的应用展开讨论，具体内容组织如下：首先，我们将介绍分子建模的基本原理，包括分子对接技术和分子动力学模拟。接着，探讨药物相互作用的预测方法，重点关注定量构效关系（QSAR）及机器学习在药物设计中的应用。随后，通过分析成功和失败的实际应用案例，揭示分子建模在药物研发中的具体应用价值。最后，我们将讨论当前分子建模面临的挑战及其在个性化医疗中的潜在应用，并展望未来的发展方向。通过这些内容的梳理，我们希望为研究人员和药物开发者提供有价值的参考，推动分子建模技术在药物研发中的进一步应用与发展。

2 分子建模的基本原理 ​

2.1 分子对接技术 ​

分子对接技术是分子建模中一种重要的计算方法，广泛应用于药物发现与设计过程中。其基本原理在于通过计算机模拟预测配体分子（药物分子）与特定受体（通常为蛋白质）之间的结合情况。这一过程涉及多个关键步骤，包括结合模式的预测、结合强度的评估以及结合亲和力的计算。

分子对接的主要目标是预测配体如何与受体相互作用，具体包括确定配体的结合位点、结合姿态以及与受体的相互作用能量。通过不同的评分函数，分子对接可以计算出配体与受体之间的结合亲和力，这一过程对于药物设计至关重要[7]。

分子对接技术通常与分子动力学模拟结合使用，以更全面地理解配体-受体系统的结合模式、亲和力及其稳定性。分子动力学模拟能够在原子水平上研究生物分子组装的动态过程，这使得研究人员能够更深入地了解分子间的相互作用机制[7]。随着算法和计算能力的不断进步，分子动力学模拟已经成为探究生物分子相互作用的重要工具[7]。

在分子对接过程中，计算机软件会通过搜索算法不断评估配体的构象，直到找到最低能量的结合状态。这一过程涉及对电静力和范德华能量的评估，以此确定配体在受体结合位点的适合度[8]。尽管分子对接技术在药物发现中展现出巨大的潜力，但其预测结合能量的准确性仍受到评分函数的限制，这可能导致在比较不同配体的结合亲和力时出现误差[9]。

近年来，深度学习技术的应用使得分子对接方法发生了显著变化，新的模型能够在准确性上与传统方法相媲美，甚至超越它们，同时显著降低计算成本。这些新技术致力于克服传统方法在处理蛋白质灵活性方面的局限性，从而更准确地捕捉生物分子相互作用的动态特性[10]。

综上所述，分子对接技术通过计算预测配体与受体的结合方式和亲和力，为药物发现提供了重要的理论基础和工具，尽管在准确性和可靠性方面仍需进一步研究和优化。

2.2 分子动力学模拟 ​

分子动力学（Molecular Dynamics, MD）模拟在药物相互作用的预测中发挥着重要作用，其基本原理涉及对分子系统在时间维度上的演化进行计算，以便深入理解药物与其靶标之间的相互作用。

首先，MD模拟允许研究者在原子水平上观察分子如何相互作用。这种方法通过解决牛顿运动方程，模拟分子在给定时间内的运动，从而获得其结构和动态行为的详细信息。具体而言，MD模拟可以揭示药物与靶标之间的结合机制，包括结合路径、结合能量和构象变化等[11]。通过这种方式，研究者能够评估药物的结合亲和力和动力学特性，进而为药物设计提供指导。

在药物发现过程中，MD模拟不仅可以提供关于药物与靶标之间的相互作用的丰富信息，还能揭示药物在生物膜中的行为。这一过程涉及药物的溶解度、穿透膜的路径以及在膜中的分布等因素。研究表明，MD模拟能够有效支持实验结果，提供在实验上难以获得的分子交互作用的原子级别理解[12]。例如，药物如何插入和分配在脂质双层中，这对于药物的生物利用度和药效具有重要影响[13]。

此外，MD模拟还可以与其他计算方法结合使用，以提高对药物相互作用的预测能力。通过与实验数据的结合，MD模拟能够帮助识别新的结合位点，并优化药物分子的结构，从而提高药物的效果和安全性[14]。在抗癌药物的研究中，MD模拟被广泛应用于研究药物与DNA及其相关蛋白质的相互作用，揭示了药物作用机制的关键因素[15]。

总之，分子动力学模拟通过提供分子相互作用的详细原子级别视图，使得药物与靶标的结合机制得以清晰可见。这种方法不仅增强了对药物设计的理解，还推动了新药的开发，显示出在现代药物发现过程中的不可或缺性[16]。

3 药物相互作用的预测方法 ​

3.1 定量构效关系(QSAR) ​

定量构效关系（QSAR）是药物发现和开发中的一种重要方法，广泛应用于预测药物的生物活性、毒性以及与生物靶标的相互作用。QSAR模型通过建立化学结构特征与生物活性之间的统计关系，从而为新药的设计提供指导。以下是关于如何利用QSAR模型预测药物相互作用的详细说明。

首先，QSAR模型依赖于分子描述符的计算，这些描述符可以定量化分子的化学特性，包括其物理化学性质、拓扑特征以及电子特性等。根据Ishikawa等人（2012年）的研究，QSAR分析通过定量关联化学结构与生物活性，能够为人类ABC转运蛋白ABCG2与药物的相互作用提供深入的见解[17]。在此研究中，研究者开发了一种算法，通过QSAR分析评估ABCG2与药物的相互作用。

其次，QSAR模型的构建通常包括特征选择、模型验证和性能评估等技术细节。Niazi和Mariam（2023年）指出，现代药物发现中，化学信息学与定量构效关系（QSAR）建模的结合使研究者能够利用机器学习技术进行预测性分子设计和分析。分子描述符（如二维指纹和拓扑指数）与结构-活性关系（SAR）结合，对于小分子药物的发现至关重要[18]。

此外，随着数据的积累和计算能力的提升，QSAR模型也逐渐演变为多任务模型（mt-QSAR），这些模型能够同时预测针对不同生物靶标的药物活性。Speck-Planche和Cordeiro（2015年）讨论了多靶标QSAR模型的应用，这些模型通过使用大量异质化学数据集，能够同时预测针对不同生物靶标的活性，从而在药物发现中提供更全面的视角[19]。

最后，QSAR模型的有效性还受到训练数据质量的影响。Linusson等人（2010年）强调，建立相关的QSAR模型需要高质量的生物活性数据和具有代表性的化合物库，以确保模型的可靠性和可解释性[20]。此外，模型的可解释性对于药物设计过程中的实际应用至关重要，帮助药物化学家理解如何通过结构修改来提高药物活性。

综上所述，QSAR模型通过计算分子描述符、建立化学结构与生物活性之间的关系，以及利用机器学习技术，能够有效地预测药物的相互作用。这些模型不仅提高了药物发现的效率，也为新药的设计提供了科学依据。

3.2 机器学习在药物设计中的应用 ​

分子建模在药物相互作用的预测中发挥着重要作用，尤其是通过结合量子力学计算和传统药物相容性参数来评估药物与靶标之间的相互作用。具体而言，分子建模能够通过预测药物与聚合物之间的结合强度来预测药物的相容性。这一过程包括使用量子力学计算的模型，来预测药物与聚合物二聚体的结合能，从而推测药物的物理状态和相容性[21]。

在药物-药物相互作用（DDI）的预测方面，机器学习技术被应用于探讨两种药物靶向的基因之间的关联。通过构建基于药物靶标特征的表示模型，研究者们能够利用L2正则化逻辑回归模型来预测药物间的相互作用。此外，研究中还定义了多个统计指标，以衡量药物间的相互作用强度、效果和作用范围。这些模型的实验结果显示，基于药物靶标特征的机器学习框架在性能上优于现有的数据整合方法[5]。

另一个相关的研究提出了一种几何分子图表示学习模型（Mol-DDI），该模型专注于分子之间的共价和非共价键信息，利用大规模模型的预训练理念来学习药物分子的表示，并在微调过程中预测药物相互作用。实验结果表明，该模型在多个数据集上优于其他方法，尤其在预测新药物的相互作用方面表现出色[22]。

此外，机器学习还被应用于定量构效关系（QSAR）模型的构建，以预测药物的物理化学特性。通过利用多种拓扑指数和全局变量，这些模型能够估算潜在抗疟药物与目标酶的相互作用能力，从而支持新疗法的开发[23]。这些模型的成功应用展示了机器学习在药物设计中的广泛潜力，包括药物相互作用的预测和药物筛选过程的优化。

综上所述，分子建模和机器学习技术在药物相互作用的预测中，利用药物与靶标之间的分子特征和相互作用，提供了有效的工具和方法。这些技术不仅提升了药物设计的效率，也为理解药物相互作用的生物学机制提供了新的视角。

4 分子建模的实际应用案例 ​

4.1 成功案例分析 ​

分子建模在药物相互作用预测中的应用已经取得了显著进展，成为药物发现和开发中的重要工具。通过量子力学计算和其他计算方法，分子建模能够预测药物与靶标之间的相互作用，评估药物在不同聚合物中的相容性，以及揭示分子间的相互作用机制。

在一项研究中，Maniruzzaman等人（2015）介绍了基于量子力学的计算模型，用于预测药物与聚合物之间的相容性。该研究通过计算药物与聚合物二聚体之间的结合强度，成功预测了药物-聚合物的结合能和相互作用的优选位点。此外，采用热分析（DSC/MTDSC）和X射线衍射法确定了药物-聚合物的相容性及其物理状态[21]。

在药物-药物相互作用（DDI）预测方面，Jiang等人（2024）提出了一种几何分子图表示学习模型（Mol-DDI），该模型基于分子的共价和非共价键信息进行DDI预测。实验结果表明，Mol-DDI模型在三个数据集上的表现优于其他模型，尤其在预测新药物相互作用实验中显示出更好的性能[22]。

Yue和Dutta（2022）则强调了系统生物学在疾病建模和药物反应预测中的应用。通过整合基因组、蛋白质组、转录组和代谢组数据，构建了能够预测潜在分子相互作用的模型。这些模型有助于改善药物的治疗效果，通过重新利用现有药物和组合药物分子来避免不良反应[24]。

此外，深度学习的引入为药物相互作用的预测提供了新的可能性。Wang等人（2025）讨论了深度学习在预测生物分子相互作用中的应用，强调了利用大数据分析和复杂模式学习的潜力。这种方法不仅能提高药物筛选的效率，还能帮助理解药物的作用机制和潜在的副作用[6]。

这些成功案例表明，分子建模在药物相互作用预测中不仅提升了预测的准确性，还加速了药物开发的过程。通过结合量子力学计算、深度学习及系统生物学等多种方法，分子建模正在不断推动药物发现的边界，为新药的研发提供了强有力的支持。

4.2 失败案例的教训 ​

分子建模在药物相互作用预测中发挥着至关重要的作用，尤其是在药物发现和分子生物学研究领域。通过计算机模拟和建模技术，研究人员能够更好地理解药物与其靶标之间的相互作用机制，优化药物设计，并预测药物的副作用和毒性。

在药物相互作用的预测方面，分子建模通常依赖于多种技术，包括分子动力学模拟、计算化学方法和机器学习算法。这些方法可以揭示药物与生物大分子（如蛋白质和核酸）之间的相互作用，提供结构和能量信息，这些信息通常超出了当前实验技术的能力范围。例如，Gago（2012）指出，分子模拟技术已在研究药物与DNA、药物与蛋白质的相互作用中取得显著进展，这些技术为理解药物的作用机制提供了重要依据[25]。

然而，分子建模并非总是成功的。药物开发过程中面临的挑战包括模型的简化假设和不准确的输入数据。例如，Pahikkala等人（2015）强调，许多药物靶标相互作用的预测模型在构建和评估时常常采用过于简化的设置，未能反映实际应用中的复杂性。这可能导致对药物靶标相互作用的过于乐观的预测结果[26]。此外，Cao等人（2024）提出，90%的临床药物开发失败中，有30%与临床毒性相关，当前的计算模型往往只考虑少量因素，导致临床不良事件的预测效果有限[27]。

在实际应用案例中，分子建模的成功与否往往取决于模型的复杂性和数据的质量。例如，使用基于生理学的药代动力学建模可以有效预测药物在不同人群中的药物动力学特征，帮助研究人员理解药物相互作用的机制，从而优化临床试验设计[28]。但当模型未能考虑药物的生物膜相互作用时，可能会导致药物设计的失败[1]。

总结而言，分子建模在药物相互作用的预测中具有巨大的潜力，但其有效性受到多种因素的影响，包括模型的构建方式、输入数据的准确性和对实际生物环境的考虑。通过不断优化模型和整合多种数据来源，研究人员可以提高药物相互作用预测的准确性，从而减少药物开发过程中的失败率。

5 当前挑战与未来展望 ​

5.1 数据不足与模型准确性 ​

分子建模在药物相互作用预测中扮演着至关重要的角色，然而，当前面临的挑战和未来的展望依然显著。分子建模方法通常依赖于物理原理，利用分子动力学模拟、分子对接和自由能计算等技术来获得对分子相互作用的理论性见解。这些方法在实际应用中却常常受到高计算成本、有限的可扩展性以及在真实环境中的预测准确性问题的限制[29]。

首先，当前的主要挑战在于如何有效地处理复杂的分子相互作用。尽管传统的物理基础方法提供了理论上的严格性，但它们在处理大规模系统时的可扩展性不足，且计算资源的需求极高。例如，分子动力学模拟虽然能够捕捉到分子构象变化，但在预测结合亲和力时的准确性仍然受到限制[30]。此外，现有模型在面对新药物的相互作用预测时，常常难以发现潜在的药物相互作用[22]。

为了应对这些挑战，近年来的研究开始将深度学习技术引入分子建模领域。深度学习能够从大规模数据集中学习复杂的模式，并且可以通过数据驱动的方法补充和扩展物理基础策略。例如，深度学习增强的分子对接和虚拟筛选、基于结构的药物设计等新兴策略为药物发现提供了新的思路[29]。通过将物理基础和数据驱动的方法结合起来，不仅可以提高预测的准确性和效率，还能够探索现代药物发现中至关重要的化学和生物空间[6]。

在未来展望方面，随着计算能力的提升和算法的改进，分子建模的精确度有望显著提高。预计将会出现更多高效的模型，这些模型能够在更复杂的生物系统中有效预测药物相互作用[31]。此外，结合机器学习的生物分子相互作用预测方法将不断发展，这将为药物开发和安全监测提供更强大的支持[32]。

然而，尽管深度学习和其他先进技术为药物相互作用的预测带来了希望，但仍然存在数据不足和模型准确性的问题。药物相互作用的预测通常依赖于高质量的训练数据，而目前可用的实验数据仍然有限，尤其是在新药物的情况下。这种数据的缺乏可能导致模型在实际应用中的预测性能不佳，尤其是在复杂的药物组合和多重相互作用的情境中[33]。

综上所述，分子建模在药物相互作用预测中具有重要的应用前景，但也面临着诸多挑战。未来的研究需要在数据获取、模型优化和跨学科合作等方面持续努力，以提升预测的准确性和实用性，从而推动药物发现的进程。

5.2 个性化医疗中的应用潜力 ​

分子建模在药物相互作用预测中的应用正在迅速发展，特别是在个性化医疗的背景下，其潜力尤为显著。分子建模是一种通过计算方法来模拟分子间相互作用的技术，这些方法在药物发现和开发中被广泛应用，能够帮助研究人员理解药物如何与生物靶标相互作用。

在当前的挑战方面，尽管分子建模在药物相互作用的预测中具有显著的优势，但其在不同药理学领域的发展速度并不一致。例如，在心血管疾病的药物发现和评估中，尽管计算方法的应用正在逐渐增多，但其使用仍滞后于其他领域[31]。此外，现有的深度学习方法往往依赖于药物相互作用功能网络，导致在新药物相互作用的发现上存在困难[22]。

未来展望中，随着计算资源的提升和算法的改进，分子建模有望在预测药物相互作用方面取得更大的突破。新的方法，如基于几何分子图的表示学习模型（Mol-DDI），通过考虑分子的共价和非共价键信息，利用大规模模型的预训练思想，显著提高了对药物相互作用的预测能力[22]。这种方法不仅在已有数据集上表现出色，而且在预测新药物相互作用实验中也显示出更高的准确性。

在个性化医疗的应用潜力方面，分子建模能够利用个体的分子特征来指导药物选择和剂量调整，从而实现更为精准的治疗。例如，个性化医学的核心在于根据患者的分子特征选择最安全和有效的药物治疗，而分子建模可以帮助识别与药物反应相关的生物标志物[34]。此外，药物-微生物组相互作用的预测也可以通过机器学习技术来实现，从而在个体层面上更好地理解药物的疗效和副作用[35]。

综上所述，分子建模在药物相互作用预测中的应用不仅面临挑战，同时也展现出广阔的前景。随着技术的不断进步和数据积累，未来有望在个性化医疗中发挥更为重要的作用，为患者提供更为精准的治疗方案。

6 总结 ​

本报告探讨了分子建模在药物相互作用预测中的重要性和应用现状。通过分析分子对接技术、分子动力学模拟以及定量构效关系（QSAR）等方法，我们发现这些技术在药物设计和开发过程中具有显著的价值，能够有效降低研发成本和时间，提高药物的成功率。然而，分子建模仍面临数据不足、模型准确性和复杂性等挑战。未来的研究方向应聚焦于提高模型的泛化能力，结合深度学习等先进技术，推动个性化医疗的应用。同时，跨学科的合作与数据共享将是提升分子建模应用效果的关键。随着技术的不断进步，分子建模有望在药物发现中发挥更大的作用，为新药的研发提供强有力的支持。

参考文献 ​

  • [1] Age Aleksander Skjevik;Knut Teigen;Aurora Martinez. Overview of computational methods employed in early-stage drug discovery.. Future medicinal chemistry(IF=3.4). 2009. PMID:21426070. DOI: 10.4155/fmc.09.7.
  • [2] Hao Ding;Ichigaku Takigawa;Hiroshi Mamitsuka;Shanfeng Zhu. Similarity-based machine learning methods for predicting drug-target interactions: a brief review.. Briefings in bioinformatics(IF=7.7). 2014. PMID:23933754. DOI: 10.1093/bib/bbt056.
  • [3] Monica Campillos;Michael Kuhn;Anne-Claude Gavin;Lars Juhl Jensen;Peer Bork. Drug target identification using side-effect similarity.. Science (New York, N.Y.)(IF=45.8). 2008. PMID:18621671. DOI: 10.1126/science.1158140.
  • [4] Riccardo Concu;Maria Natália Dias Soeiro Cordeiro;Martín Pérez-Pérez;Florentino Fdez-Riverola. MOZART, a QSAR Multi-Target Web-Based Tool to Predict Multiple Drug-Enzyme Interactions.. Molecules (Basel, Switzerland)(IF=4.6). 2023. PMID:36770857. DOI: 10.3390/molecules28031182.
  • [5] Suyu Mei;Kun Zhang. A machine learning framework for predicting drug-drug interactions.. Scientific reports(IF=3.9). 2021. PMID:34475500. DOI: 10.1038/s41598-021-97193-8.
  • [6] Haoping Wang;Xiangjie Meng;Yang Zhang. Biomolecular Interaction Prediction: The Era of AI.. Advanced science (Weinheim, Baden-Wurttemberg, Germany)(IF=14.1). 2025. PMID:40671265. DOI: 10.1002/advs.202509501.
  • [7] Ahmad Abu Turab Naqvi;Taj Mohammad;Gulam Mustafa Hasan;Md Imtaiyaz Hassan. Advancements in Docking and Molecular Dynamics Simulations Towards Ligand-receptor Interactions and Structure-function Relationships.. Current topics in medicinal chemistry(IF=3.3). 2018. PMID:30360721. DOI: 10.2174/1568026618666181025114157.
  • [8] Nataraj S Pagadala;Khajamohiddin Syed;Jack Tuszynski. Software for molecular docking: a review.. Biophysical reviews(IF=3.7). 2017. PMID:28510083. DOI: 10.1007/s12551-016-0247-1.
  • [9] David Ramírez;Julio Caballero. Is It Reliable to Use Common Molecular Docking Methods for Comparing the Binding Affinities of Enantiomer Pairs for Their Protein Target?. International journal of molecular sciences(IF=4.9). 2016. PMID:27104528. DOI: .
  • [10] John Lee;Canh Hao Nguyen;Hiroshi Mamitsuka. Beyond rigid docking: deep learning approaches for fully flexible protein-ligand interactions.. Briefings in bioinformatics(IF=7.7). 2025. PMID:40900115. DOI: 10.1093/bib/bbaf454.
  • [11] Jérémie Mortier;Christin Rakers;Marcel Bermudez;Manuela S Murgueitio;Sereina Riniker;Gerhard Wolber. The impact of molecular dynamics on drug design: applications for the characterization of ligand-macromolecule complexes.. Drug discovery today(IF=7.5). 2015. PMID:25615716. DOI: .
  • [12] Florent Di Meo;Gabin Fabre;Karel Berka;Tahani Ossman;Benjamin Chantemargue;Markéta Paloncýová;Pierre Marquet;Michal Otyepka;Patrick Trouillas. In silico pharmacology: Drug membrane partitioning and crossing.. Pharmacological research(IF=10.5). 2016. PMID:27378566. DOI: 10.1016/j.phrs.2016.06.030.
  • [13] Daniela Lopes;Sven Jakobtorweihen;Cláudia Nunes;Bruno Sarmento;Salette Reis. Shedding light on the puzzle of drug-membrane interactions: Experimental techniques and molecular dynamics simulations.. Progress in lipid research(IF=14.9). 2017. PMID:27939295. DOI: 10.1016/j.plipres.2016.12.001.
  • [14] Tommaso Casalini. Not only in silico drug discovery: Molecular modeling towards in silico drug delivery formulations.. Journal of controlled release : official journal of the Controlled Release Society(IF=11.5). 2021. PMID:33675875. DOI: 10.1016/j.jconrel.2021.03.005.
  • [15] Attilio V Vargiu;Alessandra Magistrato. Atomistic-level portrayal of drug-DNA Interplay: a history of courtships and meetings revealed by molecular simulations.. ChemMedChem(IF=3.4). 2014. PMID:25099999. DOI: 10.1002/cmdc.201402203.
  • [16] Xuewei Liu;Danfeng Shi;Shuangyan Zhou;Hongli Liu;Huanxiang Liu;Xiaojun Yao. Molecular dynamics simulations and novel drug discovery.. Expert opinion on drug discovery(IF=4.9). 2018. PMID:29139324. DOI: 10.1080/17460441.2018.1403419.
  • [17] T Ishikawa;H Hirano;H Saito;K Sano;Y Ikegami;N Yamaotsu;S Hirono. Quantitative structure-activity relationship (QSAR) analysis to predict drug-drug interactions of ABC transporter ABCG2.. Mini reviews in medicinal chemistry(IF=3.3). 2012. PMID:22587765. DOI: 10.2174/138955712800493825.
  • [18] Sarfaraz K Niazi;Zamara Mariam. Recent Advances in Machine-Learning-Based Chemoinformatics: A Comprehensive Review.. International journal of molecular sciences(IF=4.9). 2023. PMID:37511247. DOI: 10.3390/ijms241411488.
  • [19] Alejandro Speck-Planche;M N D S Cordeiro. Multi-Target QSAR Approaches for Modeling Protein Inhibitors. Simultaneous Prediction of Activities Against Biomacromolecules Present in Gram-Negative Bacteria.. Current topics in medicinal chemistry(IF=3.3). 2015. PMID:25961517. DOI: 10.2174/1568026615666150506144814.
  • [20] A Linusson;M Elofsson;I E Andersson;M K Dahlgren. Statistical molecular design of balanced compound libraries for QSAR modeling.. Current medicinal chemistry(IF=3.5). 2010. PMID:20423313. DOI: 10.2174/092986710791233661.
  • [21] Mohammed Maniruzzaman;Jiayun Pang;David J Morgan;Dennis Douroumis. Molecular modeling as a predictive tool for the development of solid dispersions.. Molecular pharmaceutics(IF=4.5). 2015. PMID:25734898. DOI: 10.1021/mp500510m.
  • [22] Zhenyu Jiang;Pingjian Ding;Cong Shen;Xiaopeng Dai. Geometric Molecular Graph Representation Learning Model for Drug-Drug Interactions Prediction.. IEEE journal of biomedical and health informatics(IF=6.8). 2024. PMID:39226203. DOI: 10.1109/JBHI.2024.3453956.
  • [23] Wakeel Ahmed;Tamseela Ashraf;Maliha Tehseen Saleem;Emad E Mahmoud;Kashif Ali;Shahid Zaman;Melaku Berhe Belay. Computational approaches in drug chemistry leveraging python powered QSPR study of antimalaria compounds by using artificial neural networks.. Scientific reports(IF=3.9). 2025. PMID:40456832. DOI: 10.1038/s41598-025-01594-y.
  • [24] Rongting Yue;Abhishek Dutta. Computational systems biology in disease modeling and control, review and perspectives.. NPJ systems biology and applications(IF=3.5). 2022. PMID:36192551. DOI: 10.1038/s41540-022-00247-4.
  • [25] Federico Gago. Molecular simulations of drug-receptor complexes in anticancer research.. Future medicinal chemistry(IF=3.4). 2012. PMID:23088276. DOI: 10.4155/fmc.12.149.
  • [26] Tapio Pahikkala;Antti Airola;Sami Pietilä;Sushil Shakyawar;Agnieszka Szwajda;Jing Tang;Tero Aittokallio. Toward more realistic drug-target interaction predictions.. Briefings in bioinformatics(IF=7.7). 2015. PMID:24723570. DOI: 10.1093/bib/bbu010.
  • [27] Albert Cao;Luchen Zhang;Yingzi Bu;Duxin Sun. Machine Learning Prediction of On/Off Target-driven Clinical Adverse Events.. Pharmaceutical research(IF=4.3). 2024. PMID:39095534. DOI: 10.1007/s11095-024-03742-x.
  • [28] Carole E Shardlow;Grant T Generaux;Aarti H Patel;Guoying Tai;Thuy Tran;Jackie C Bloomer. Impact of physiologically based pharmacokinetic modeling and simulation in drug development.. Drug metabolism and disposition: the biological fate of chemicals(IF=4.0). 2013. PMID:24009310. DOI: 10.1124/dmd.113.052803.
  • [29] Yuzhe Wang;Yibo Li;Jiaxiao Chen;Luhua Lai. Modeling protein-ligand interactions for drug discovery in the era of deep learning.. Chemical Society reviews(IF=39.0). 2025. PMID:41117015. DOI: 10.1039/d5cs00415b.
  • [30] Edward King;Erick Aitchison;Han Li;Ray Luo. Recent Developments in Free Energy Calculations for Drug Discovery.. Frontiers in molecular biosciences(IF=4.0). 2021. PMID:34458321. DOI: 10.3389/fmolb.2021.712085.
  • [31] Jennifer Lagoutte-Renosi;Florentin Allemand;Christophe Ramseyer;Semen Yesylevskyy;Siamak Davani. Molecular modeling in cardiovascular pharmacology: Current state of the art and perspectives.. Drug discovery today(IF=7.5). 2022. PMID:34863931. DOI: 10.1016/j.drudis.2021.11.026.
  • [32] Siqi Chen;Tiancheng Li;Luna Yang;Fei Zhai;Xiwei Jiang;Rongwu Xiang;Guixia Ling. Artificial intelligence-driven prediction of multiple drug interactions.. Briefings in bioinformatics(IF=7.7). 2022. PMID:36168896. DOI: 10.1093/bib/bbac427.
  • [33] Eujin Hong;Junhyeok Jeon;Hyun Uk Kim. Recent development of machine learning models for the prediction of drug-drug interactions.. The Korean journal of chemical engineering(IF=3.2). 2023. PMID:36748027. DOI: 10.1007/s11814-023-1377-3.
  • [34] C Rodríguez-Antona;M Taron. Pharmacogenomic biomarkers for personalized cancer treatment.. Journal of internal medicine(IF=9.2). 2015. PMID:25338550. DOI: 10.1111/joim.12321.
  • [35] Laura E McCoubrey;Simon Gaisford;Mine Orlu;Abdul W Basit. Predicting drug-microbiome interactions with machine learning.. Biotechnology advances(IF=12.5). 2022. PMID:34260950. DOI: 10.1016/j.biotechadv.2021.107797.

麦伴智能科研服务 ​

在麦伴科研 (maltsci.com) 搜索更多文献 ​

分子建模 · 药物相互作用 · 分子对接 · 分子动力学模拟 · 定量构效关系

© 2025 MaltSci 麦伴科研