Appearance
本报告由 MaltSci•麦伴科研 基于最新文献和研究成果撰写
虚拟筛选如何加速药物发现？
摘要
药物发现是一个复杂且成本高昂的过程，传统的药物研发策略逐渐向基于对蛋白质-配体相互作用基本原理的深入理解的理性方法转变。在这一背景下，虚拟筛选作为一种高效的计算方法，近年来受到广泛关注。它利用计算机模拟和分子对接技术，通过对大量化合物进行筛选，帮助研究人员快速识别潜在的药物候选分子，从而显著缩短药物发现的周期，提高研发效率。虚拟筛选的应用不仅降低了实验筛选的负担，还能够处理大规模的化合物库，使得研究人员在面对大规模药物筛选需求时，能够在更短的时间内找到潜在的药物候选分子。尽管虚拟筛选技术在药物发现中取得了一定进展，但当前技术仍存在一些局限性，包括对靶点选择的准确性、化合物库的构建和优化等问题，这些都对其在药物发现中的应用提出了挑战。综上所述，虚拟筛选通过高效筛选化合物库，加速了药物发现的进程，为新药研发提供了强有力的支持。未来，随着人工智能与机器学习的结合以及新兴计算技术的应用，虚拟筛选有望在药物研发领域发挥更加重要的作用。
大纲
本报告将涉及如下问题的讨论。
- 1 引言
- 2 虚拟筛选的基本原理
- 2.1 分子对接技术
- 2.2 药物靶点的选择与识别
- 3 虚拟筛选在药物发现中的应用
- 3.1 化合物库的构建与优化
- 3.2 高通量虚拟筛选
- 4 虚拟筛选的优势与挑战
- 4.1 提高效率与降低成本
- 4.2 当前技术的局限性
- 5 未来发展方向
- 5.1 人工智能与机器学习的结合
- 5.2 新兴计算技术的应用
- 6 总结
1 引言
药物发现是一个复杂且成本高昂的过程，涉及创新、知识、信息、技术、专业技能以及研发投资等多个方面的综合努力。随着基因组学和蛋白质组学的兴起，传统的药物研发策略经历了根本性的转变，逐渐向更为理性的方法转变，这些方法基于对蛋白质-配体相互作用基本原理的深入理解[1]。在这一背景下，虚拟筛选作为一种高效的计算方法，近年来受到了广泛关注。它利用计算机模拟和分子对接技术，通过对大量化合物进行筛选，帮助研究人员快速识别潜在的药物候选分子，从而显著缩短药物发现的周期，提高研发效率。
虚拟筛选的应用意义重大。首先，传统药物发现过程往往耗时长、成本高，而虚拟筛选能够通过预测分子与靶点的结合亲和力，降低实验筛选的负担[2]。其次，虚拟筛选能够处理大规模的化合物库，使得研究人员能够在更短的时间内找到潜在的药物候选分子，尤其是在面对大规模药物筛选需求时，其优势愈加明显[3]。然而，尽管虚拟筛选技术已在药物发现中取得了一定进展，当前的技术仍存在一些局限性，包括对靶点选择的准确性、化合物库的构建和优化等问题，这些都对其在药物发现中的应用提出了挑战[4]。
目前，虚拟筛选的研究现状表明，其在药物发现中的应用已经取得了一定的成果，但仍有许多未被充分挖掘的潜力。许多研究表明，虚拟筛选在新化合物的发现上已经取得了一些成功案例，包括一些已经进入临床试验的化合物[5]。然而，关于虚拟筛选的讨论也表明，其在药物发现中的实际贡献仍有待进一步评估和验证[6]。在这一领域，研究者们正在探索如何将虚拟筛选与高通量筛选等其他药物发现技术有效结合，以提高整体药物发现的效率和成功率[7]。
本报告将围绕虚拟筛选在药物发现中的应用进行详细探讨，内容组织如下：首先，介绍虚拟筛选的基本原理，包括分子对接技术和药物靶点的选择与识别；其次，分析虚拟筛选在药物发现中的具体应用，特别是在化合物库的构建与优化以及高通量虚拟筛选方面的实践；接着，讨论虚拟筛选的优势与挑战，特别是在提高效率和降低成本方面的贡献，以及当前技术的局限性；最后，展望未来的发展方向，包括人工智能与机器学习的结合以及新兴计算技术的应用。
通过对虚拟筛选在药物发现中应用现状的全面综述，旨在为研究人员提供深入的理解，帮助他们更好地把握这一领域的最新进展和未来发展方向。
2 虚拟筛选的基本原理
2.1 分子对接技术
虚拟筛选（Virtual Screening, VS）在药物发现中的加速作用主要体现在其能够高效地从庞大的化合物库中识别出潜在的药物候选分子。这一过程结合了计算机辅助药物设计（CADD）技术，尤其是分子对接技术，极大地提高了药物研发的效率与成功率。
首先，虚拟筛选通过计算机模拟来评估化合物与目标蛋白的相互作用。该过程通常分为两种主要方法：基于配体的虚拟筛选和基于结构的虚拟筛选。基于配体的方法侧重于化合物的化学特征，而基于结构的方法则依赖于目标蛋白的三维结构。这两种方法的结合使得研究人员能够从数以百万计的化合物中筛选出具有潜力的候选药物（Ghosh et al., 2006; Cerqueira et al., 2015）。
分子对接技术是虚拟筛选中的关键工具之一。通过对化合物进行分子对接，可以预测其与靶标蛋白结合的亲和力及结合模式。近年来，随着高性能计算平台的普及，分子对接的精度和效率得到了显著提升，使得研究人员能够快速评估大量化合物（Gorgulla et al., 2022）。例如，一项研究展示了通过分子对接和机器学习结合的方法，可以将化合物库的规模缩减十倍，从而更有效地筛选出真实的阳性候选分子（Gupta & Zhou, 2021）。
此外，虚拟筛选还能够降低药物发现的成本和时间。在传统的药物筛选中，高通量筛选（HTS）方法需要大量的实验室资源和时间，而虚拟筛选则能够在计算机上完成初步筛选，减少了对实验资源的依赖（Stumpfe et al., 2012）。这种方法不仅提高了筛选的速度，还能够在早期阶段识别出具有潜力的化合物，减少后续实验的负担。
然而，虚拟筛选也面临一些挑战，例如如何有效地处理越来越庞大的化合物库以及如何准确区分真正的阳性和假阳性结果（Clark, 2008; Bajorath, 2002）。尽管如此，虚拟筛选技术仍然被认为是药物发现中不可或缺的一部分，其应用范围广泛，包括用于新化合物的发现、毒性预测、药物再利用等（Parvatikar et al., 2023）。
综上所述，虚拟筛选通过计算机模拟和分子对接技术，能够加速药物发现过程，提高效率，降低成本，并在初期筛选中识别出潜在的药物候选分子。这一方法在现代药物研发中发挥着越来越重要的作用。
2.2 药物靶点的选择与识别
虚拟筛选是一种基于计算的方法，旨在加速药物发现过程。其基本原理是利用计算机技术对大型化合物数据库进行筛选，以识别出可能与特定生物靶点相互作用的化合物，从而为新药的开发提供潜在的候选分子。虚拟筛选可以分为两大类：基于配体的筛选和基于靶标的筛选[4]。
在药物靶点的选择与识别方面，虚拟筛选能够通过对已知靶标的三维结构进行分析，识别出与之结合的潜在化合物。研究表明，虚拟筛选在提高药物发现效率和降低成本方面具有显著优势。通过计算方法，可以在早期阶段筛选出大量化合物，从而减少后续实验所需的时间和资源[1]。
具体而言，虚拟筛选通过以下几个步骤加速药物发现过程：首先，构建一个包含数以万计的小分子的化合物库。然后，使用计算机模拟对这些化合物与目标蛋白的结合亲和力进行预测。这一过程可以大幅度缩减需要进行实验验证的化合物数量，从而提高了筛选的效率[2]。此外，随着高性能计算平台的普及，虚拟筛选已经能够处理数亿个化合物，识别出高效的先导化合物[8]。
虚拟筛选还可以与高通量筛选（HTS）相结合，形成互补的筛选策略。HTS通常涉及实验室内的大规模实验，而虚拟筛选则可以在计算机上快速筛选潜在的活性化合物，从而优化实验设计，提升成功率[7]。通过将这两种方法结合，研究人员可以更有效地识别和验证药物候选分子，进而加速药物的开发进程[9]。
然而，尽管虚拟筛选在药物发现中展现出巨大的潜力，但仍面临一些挑战，例如如何有效地从海量数据中识别出真正的活性化合物，以及如何提高预测的准确性[10]。未来，随着机器学习和深度学习等新技术的发展，虚拟筛选的效率和准确性有望进一步提升，推动药物发现的进程[11]。
3 虚拟筛选在药物发现中的应用
3.1 化合物库的构建与优化
虚拟筛选（Virtual Screening, VS）在药物发现过程中扮演着越来越重要的角色，其主要通过高效筛选大量化合物库来加速新药的发现和开发。药物发现是一个复杂且成本高昂的过程，虚拟筛选作为计算辅助药物设计（CADD）的关键工具，能够显著降低成本和时间需求。
虚拟筛选的核心目标是识别出具有高结合潜力的化合物，以便激发预期的生物反应。近年来，随着高性能计算平台的普及，虚拟筛选的应用范围迅速扩大，能够有效地筛选数以万计的化合物库，从而识别出针对多种靶点（如Bcl-2家族蛋白、G蛋白偶联受体、激酶等）的有效化合物[2]。这一过程通常被视为对高通量筛选（HTS）的有效补充，极大地提高了药物发现和开发的速度和效率[2]。
虚拟筛选的方法主要分为基于配体的和基于靶标结构的两种。基于靶标的虚拟筛选尤其重要，因为它能够利用已知的蛋白质结构信息来预测化合物的结合能力，从而缩小筛选范围[3]。通过将化合物库与靶标蛋白的三维结构进行对接，研究人员可以有效识别出潜在的药物候选物。
在化合物库的构建与优化方面，虚拟筛选能够快速评估和筛选大量的化合物，这在传统实验方法中是非常耗时且成本高昂的。通过计算方法，研究人员能够将数以万计的化合物筛选至仅几个最有希望的候选者，这一过程不仅提高了效率，还减少了实验室资源的浪费[1]。此外，虚拟筛选还能够通过机器学习等新兴技术进一步优化化合物库，提升筛选的准确性和效率[11]。
尽管虚拟筛选在药物发现中展现了巨大的潜力，但仍面临一些挑战，如如何有效处理不断增加的化合物库规模以及准确区分真实阳性与假阳性[10]。然而，随着计算技术和算法的不断进步，虚拟筛选的应用前景依然广阔，将在药物发现中发挥越来越重要的作用[8]。
综上所述，虚拟筛选通过高效筛选化合物库，加速了药物发现的进程，为新药研发提供了强有力的支持。
3.2 高通量虚拟筛选
虚拟筛选（Virtual Screening, VS）在药物发现过程中起到了加速的作用，尤其是高通量虚拟筛选（High-Throughput Virtual Screening, HTVS）技术的发展，使得这一过程更加高效和经济。HTVS是一种利用计算算法从大量化合物库中发现生物活性化合物的前沿生物制药技术，能够在药物开发的某些阶段节省时间和资源，相较于传统的实验室测试，HTVS显著提高了筛选效率[12]。
虚拟筛选方法可以分为基于配体的和基于靶标结构的两种类型。这些方法的应用不仅提升了药物发现的速度和效率，还能够在面对大规模化合物数据库时，通过系统化的筛选方法快速识别出潜在的药物候选分子。近年来，随着计算能力的提升和化学库的扩展，虚拟筛选的能力得到了极大的增强，能够处理包含数十亿分子的超大规模虚拟筛选，这一进展为发现高效的药物候选分子提供了新的可能性[13]。
在虚拟筛选的过程中，利用计算机模拟和算法，可以有效减少需要进行生化实验的化合物数量。这一过程通常涉及到对分子特征的预测，并根据其生物活性或化学性质对分子进行系统排名，从而快速筛选出最有潜力的化合物。这种方法在初期药物发现阶段的应用，能够显著节省实验时间和成本，同时提高了筛选的准确性[8]。
此外，虚拟筛选与高通量筛选（HTS）相结合，能够形成更为统一和知识驱动的生物筛选方法。这种结合不仅能够提升筛选结果的输出，还能通过新的统计、信息学和过滤方法，进一步优化药物发现过程。尽管目前仍存在一些技术上的挑战，但这种整合的方法在早期药物发现中展现出了巨大的潜力[7]。
综上所述，虚拟筛选，尤其是高通量虚拟筛选，通过提高筛选效率、降低成本、优化药物发现流程，正在成为现代药物开发中不可或缺的重要工具。
4 虚拟筛选的优势与挑战
4.1 提高效率与降低成本
虚拟筛选（Virtual Screening, VS）在药物发现过程中具有显著的优势，尤其是在提高效率和降低成本方面。随着计算能力的提升和新技术的不断涌现，虚拟筛选已经成为药物发现框架中的一个重要组成部分。
首先，虚拟筛选能够通过计算方法对大规模化合物库进行快速筛选，从而显著提高药物发现的效率。根据Gorgulla等人（2022年）的研究，虚拟筛选能够发现初步的有效化合物，减少早期药物发现阶段的时间和成本[8]。传统的高通量筛选（High-Throughput Screening, HTS）需要大量的实验资源和时间，而虚拟筛选则通过计算模型对化合物的生物活性进行预测，从而缩短了筛选周期。
其次，虚拟筛选的经济效益同样显著。药物开发的成本通常高达数亿美元，且历时多年。使用虚拟筛选可以在计算上快速评估成千上万的化合物，筛选出有潜力的候选药物，从而大幅度降低实验成本[14]。Ghosh等人（2006年）指出，虚拟筛选与高通量筛选的结合，能够提高药物发现和开发过程的速度和效率[2]。
然而，虚拟筛选也面临着一些挑战。首先，虚拟筛选的准确性依赖于所使用的计算模型和算法的质量。虽然近年来机器学习和量子力学方法的进步提高了预测的准确性，但仍需克服计算成本和模型优化的问题[15]。此外，虚拟筛选的方法通常需要与实验数据相结合，以验证其预测的有效性和可靠性。Guido等人（2008年）强调，药物发现过程的复杂性要求在创新、知识、技术等多个方面进行整合，以实现更高效的药物设计[1]。
总之，虚拟筛选通过快速、高效地筛选化合物库，降低了药物发现的时间和成本，成为现代药物研发不可或缺的工具。然而，随着技术的不断进步，如何提高虚拟筛选的准确性和整合性仍然是未来研究的重要方向。
4.2 当前技术的局限性
虚拟筛选在药物发现过程中具有显著的优势，同时也面临一些挑战。其主要优势体现在以下几个方面：
首先，虚拟筛选能够显著加快药物发现的速度。通过计算机辅助的药物设计（CADD），研究人员可以在庞大的化合物数据库中迅速筛选出潜在的药物候选物，从而大幅度减少实验筛选所需的时间和成本[3]。例如，虚拟筛选技术的应用使得研究人员能够在数百万到数十亿个化合物中筛选出具有高效活性的初始化合物，这种“超大规模虚拟筛选”方法被证明是发现高效药物的重要手段[8]。
其次，虚拟筛选能够提高药物发现的效率。它通常与高通量筛选（HTS）结合使用，以提高药物发现和开发过程的效率[2]。通过将计算方法与生物实验结合，虚拟筛选可以在理论上优先识别最有可能成功的候选化合物，从而减少实验工作量[7]。
然而，虚拟筛选也面临一些技术上的局限性。尽管其在药物发现中的应用越来越广泛，但仍然存在一些问题需要解决。例如，虚拟筛选的成功依赖于准确的评分函数，这些函数用于区分活性和非活性化合物。当前的评分函数在准确性和可靠性方面仍有待改进[16]。此外，虚拟筛选在识别真正的阳性结果与假阳性结果之间的分离能力也存在挑战，这限制了其在大规模化合物库筛选中的应用效果[10]。
另外，虚拟筛选的实际应用效果也受到计算能力的限制。虽然近年来高性能计算平台的普及推动了虚拟筛选的发展，但如何有效管理和处理日益增长的化合物库仍然是一个亟待解决的问题[17]。尽管存在这些挑战，虚拟筛选仍被认为是药物发现中不可或缺的一部分，其潜力尚未得到充分利用，特别是在与高通量筛选的结合应用方面[4]。
综上所述，虚拟筛选在加速药物发现方面具有显著优势，但也面临技术和实践上的挑战。通过不断改进相关方法和技术，虚拟筛选有望在未来的药物开发中发挥更大的作用。
5 未来发展方向
5.1 人工智能与机器学习的结合
虚拟筛选（Virtual Screening, VS）在药物发现过程中扮演着越来越重要的角色，尤其是在加速药物开发的速度和降低成本方面。虚拟筛选技术通过计算方法对大量化合物库进行筛查，从而识别出潜在的药物候选分子。这一过程不仅提高了筛选的效率，还能够在早期阶段快速识别出有效的药物靶点。
虚拟筛选的主要优势在于其能够处理大规模的化合物数据库，显著减少需要进行实验验证的化合物数量。例如，近年来，随着高性能计算平台的普及，虚拟筛选已经成为一种常用的补充高通量筛选（High-Throughput Screening, HTS）的方法，以提高药物发现和开发过程的速度与效率[2]。通过结合三维蛋白质结构的知识与数以万计的小分子，科学家们能够应用结构和配体基础的药物设计方法，从而推动药物发现的理性化进程[1]。
在虚拟筛选的未来发展方向中，人工智能（AI）和机器学习（ML）的结合展现出巨大的潜力。AI和ML技术能够通过分析大量数据，自动识别有效的药物候选分子，并预测其与目标蛋白的结合能力。例如，机器学习启用的虚拟筛选管道已经能够将化合物库的规模缩减十倍，从而提高筛选的效率[10]。此外，深度学习算法的应用能够显著降低虚拟筛选的计算成本，同时提高对小分子性质预测的准确性[8]。
然而，尽管虚拟筛选在药物发现中的应用前景广阔，但仍面临一些挑战。例如，虚拟筛选的有效性在于其与高通量筛选的互补性，然而目前两者之间的整合尚未得到充分利用[4]。因此，未来的发展应着重于优化虚拟筛选方法的评分函数，以更好地区分活性和非活性化合物，同时推动计算筛选与实验筛选的紧密结合，以实现更高效的药物发现过程[16]。
综上所述，虚拟筛选通过加速化合物的初步筛选，结合AI和ML技术，展现出显著的药物发现加速能力。未来，随着技术的不断进步和整合，虚拟筛选有望在药物研发领域发挥更加重要的作用。
5.2 新兴计算技术的应用
虚拟筛选在药物发现过程中起着加速作用，主要体现在以下几个方面：
首先，虚拟筛选技术通过计算机辅助药物设计（CADD）能够显著减少药物开发的时间和成本。它允许研究人员在庞大的化合物库中快速识别潜在的药物候选物，从而避免了传统高通量筛选（HTS）所需的时间和资源。虚拟筛选能够处理大规模的化合物数据库，利用已知的靶标蛋白结构来预测化合物的结合能力和生物活性，进而筛选出最有希望的候选化合物[3]。
其次，随着计算能力的提升，虚拟筛选的方法和技术也在不断进步。例如，采用机器学习和深度学习算法，研究人员能够对化合物进行更精确的分类和筛选。这些新兴技术不仅提高了虚拟筛选的准确性，还使得能够在更大规模的化合物库中进行筛选，从而加速了初步药物发现的过程[11]。具体来说，通过对分子属性的聚类分析和靶标的有限对接，虚拟筛选可以将整个化合物库缩减至更小的关键候选集合，显著提高筛选效率[10]。
此外，虚拟筛选与其他药物发现技术的整合也是其加速药物发现的重要方面。它可以与高通量筛选相结合，形成一种互补的筛选策略，充分利用两者的优势。虚拟筛选能够在早期阶段筛选出具有潜力的化合物，从而在进入实验室测试之前，减少需要进一步实验的化合物数量[7]。这种整合不仅提高了筛选的成功率，还能够加快药物的临床前开发进程[6]。
在未来的发展方向上，虚拟筛选的潜力仍然未被完全利用。随着计算技术的不断进步，特别是量子计算和机器学习的应用，虚拟筛选将可能实现更高的准确性和效率。例如，量子力学方法的进步可能会提高对小分子特性预测的准确性，而新型机器学习方法则能够显著降低虚拟筛选的计算成本[8]。
综上所述，虚拟筛选通过提升筛选效率、降低成本以及与其他技术的整合，极大地加速了药物发现的过程。随着新兴计算技术的不断应用，虚拟筛选的未来将更加广阔，预计将为药物研发带来更多的创新和突破。
6 总结
虚拟筛选在药物发现过程中展现出巨大的潜力，尤其是在提高效率和降低成本方面。通过计算机模拟和分子对接技术，虚拟筛选能够从庞大的化合物库中快速识别出潜在的药物候选分子，显著缩短药物发现的周期。尽管虚拟筛选已在新化合物的发现上取得了一些成功，但仍面临诸多挑战，如靶点选择的准确性、化合物库的构建和优化等问题，这些都对其在药物发现中的应用提出了挑战。未来，随着人工智能和机器学习技术的结合，以及新兴计算技术的应用，虚拟筛选有望进一步提升其准确性和效率，推动药物发现的进程。研究者们需要继续探索虚拟筛选与高通量筛选等其他药物发现技术的有效结合，以实现更高的成功率和更短的研发周期。
参考文献
- [1] Rafael V C Guido;Glaucius Oliva;Adriano D Andricopulo. Virtual screening and its integration with modern drug design technologies.. Current medicinal chemistry(IF=3.5). 2008. PMID:18220761. DOI: 10.2174/092986708783330683.
- [2] Sutapa Ghosh;Aihua Nie;Jing An;Ziwei Huang. Structure-based virtual screening of chemical libraries for drug discovery.. Current opinion in chemical biology(IF=6.1). 2006. PMID:16675286. DOI: 10.1016/j.cbpa.2006.04.002.
- [3] Nuno M F S A Cerqueira;Diana Gesto;Eduardo F Oliveira;Diogo Santos-Martins;Natércia F Brás;Sérgio F Sousa;Pedro A Fernandes;Maria J Ramos. Receptor-based virtual screening protocol for drug discovery.. Archives of biochemistry and biophysics(IF=3.0). 2015. PMID:26045247. DOI: .
- [4] Dagmar Stumpfe;Peter Ripphausen;Jürgen Bajorath. Virtual compound screening in drug discovery.. Future medicinal chemistry(IF=3.4). 2012. PMID:22458679. DOI: 10.4155/fmc.12.19.
- [5] David E Clark. What has virtual screening ever done for drug discovery?. Expert opinion on drug discovery(IF=4.9). 2008. PMID:23484962. DOI: 10.1517/17460441.3.8.841.
- [6] Gisbert Schneider. Virtual screening: an endless staircase?. Nature reviews. Drug discovery(IF=101.8). 2010. PMID:20357802. DOI: 10.1038/nrd3139.
- [7] Jürgen Bajorath. Integration of virtual and high-throughput screening.. Nature reviews. Drug discovery(IF=101.8). 2002. PMID:12415248. DOI: 10.1038/nrd941.
- [8] Christoph Gorgulla;Abhilash Jayaraj;Konstantin Fackeldey;Haribabu Arthanari. Emerging frontiers in virtual drug discovery: From quantum mechanical methods to deep learning approaches.. Current opinion in chemical biology(IF=6.1). 2022. PMID:35576813. DOI: 10.1016/j.cbpa.2022.102156.
- [9] Huafeng Xu. Retrospect and prospect of virtual screening in drug discovery.. Current topics in medicinal chemistry(IF=3.3). 2002. PMID:12470282. DOI: 10.2174/1568026023392869.
- [10] Aayush Gupta;Huan-Xiang Zhou. Machine Learning-Enabled Pipeline for Large-Scale Virtual Drug Screening.. Journal of chemical information and modeling(IF=5.3). 2021. PMID:34399578. DOI: 10.1021/acs.jcim.1c00710.
- [11] Prachi P Parvatikar;Sudha Patil;Kedar Khaparkhuntikar;Shruti Patil;Pankaj K Singh;R Sahana;Raghavendra V Kulkarni;Anjanapura V Raghu. Artificial intelligence: Machine learning approach for screening large database and drug discovery.. Antiviral research(IF=4.0). 2023. PMID:37935248. DOI: 10.1016/j.antiviral.2023.105740.
- [12] Nitesh Mani Tripathi;Anupam Bandyopadhyay. High throughput virtual screening (HTVS) of peptide library: Technological advancement in ligand discovery.. European journal of medicinal chemistry(IF=5.9). 2022. PMID:36122548. DOI: 10.1016/j.ejmech.2022.114766.
- [13] Gabriel Corrêa Veríssimo;Rafaela Salgado Ferreira;Vinícius Gonçalves Maltarollo. Ultra-Large Virtual Screening: Definition, Recent Advances, and Challenges in Drug Design.. Molecular informatics(IF=3.1). 2025. PMID:39635776. DOI: 10.1002/minf.202400305.
- [14] Mohd Danishuddin;Asad U Khan. Structure based virtual screening to discover putative drug candidates: necessary considerations and successful case studies.. Methods (San Diego, Calif.)(IF=4.3). 2015. PMID:25448480. DOI: .
- [15] Neeraj Kumar;Vishal Acharya. Advances in machine intelligence-driven virtual screening approaches for big-data.. Medicinal research reviews(IF=11.6). 2024. PMID:38129992. DOI: 10.1002/med.21995.
- [16] Kyun-Hwan Kim;Nam Doo Kim;Baik-Lin Seong. Pharmacophore-based virtual screening: a review of recent applications.. Expert opinion on drug discovery(IF=4.9). 2010. PMID:22823018. DOI: 10.1517/17460441003592072.
- [17] Mehran Jalaie;Veerabahu Shanmugasundaram. Virtual screening: are we there yet?. Mini reviews in medicinal chemistry(IF=3.3). 2006. PMID:17073716. DOI: 10.2174/138955706778560157.
麦伴智能科研服务
在麦伴科研 (maltsci.com) 搜索更多文献
虚拟筛选 · 药物发现 · 分子对接 · 高通量筛选 · 计算辅助药物设计
© 2025 MaltSci 麦伴科研