药物发现结构筛选

运用传统的类先导化合物规范（首要是分子量、clogP）会降低子集挑选中有吸引力的化学开始结构的命中率。因而，2019年的挑选渠道首要依托溶解性和渗透性来选择化合物。除了结构多样性外，2019年的渠道设计还运用NIBR的试验分析数据和揣度的生物学活性概略来界说整个化合物库的丰富性。基于平板的高通量挑选（HTS）仍然是药物发现中小分子化合物命中的首要来源，尽管呈现了无板编码的挑选办法，例如DNA编码文库和基于微流体的办法，以及核算方面的虚拟挑选办法以自动化分离技能进行筛选,攻克天然药物成分提取难题。药物发现结构筛选

大有可为的噬菌体抗体库基于抗体基因序列来源，噬菌体抗体库分为三大类：天然抗体库（Naveantibodylibrary），基因来源人体或动物体内的血液、骨髓、脾脏和扁桃体内的B淋巴细胞。优点是可获得人抗体、针对所有天然抗原、库足够大，可直接获得高亲和力抗体，但建库耗时费力，而且存在很多未知和不可控因素。半合成抗体库（Semi-syntheticantibodylibrary）由人工合成的一部分可变区序列与另一部分天然序列组合构建而成的抗体库。其主要是使用种系的重链、轻链或重排的可变区片段，其中一个或多个CDR要随机重排。对难于在体内进行免疫的抗体研发具有良好的应用前景；活性成分的筛选高通量筛选技能包含机器人技能、液体处理器、数据处理、相当多的软件和敏感的检测体系。

目前已知氨基酸序列的蛋白质分子约有2.1亿个，但到RCSBPDB上录入的被实验解析的蛋白质三维结构只有18,1295个，不到蛋白质总数的0.1%。究其根本，通过X射线衍射、核磁共振或冷冻电镜等方法获得蛋白质三维结构，哪个不耗时费力、需要很多资金投入？另，计算机猜测蛋白质结构有诸多限制，SWISS-MODEL要求序列同源性>30%，I-TASSER要求序列能穿到现有结构，ROBETTA要求氨基酸序列<200。全国苦“蛋白质三维结构”久矣！直到AlphaFold2横空出世。AlphaFold2横空出世2020年底，AlphaFold2(DeepMind公司开发的AI程序)在CASP14(第14届蛋白质结构猜测竞赛)中将蛋白结构猜测准确性从40分提高到92.4分，完成了原子精度或者接近原子精度的结构猜测，震惊生物界。

创立挑选渠道多样性网格如上文针对挑选渠道的规划所述，咱们主要考虑了两个方针：方针是比较大化挑选渠道子集的多样性。生物活性空间的多样性是咱们的主要方针。对于化合物，存在大量的描述符和多样性指标，其中有些是部分剩余的。没有简单的方法能够将它们组合为一个一致的指标。因而，咱们做出的挑选是单独运用几个相关度量，以通过聚类为每个度量定义复合类。其他化合物的分类由现有的离散化合物注释产生。一旦将化合物分为生物活性和化学结构类别，多样性挑选过程的目的就是生成较小尺度的子集，确保每个类别的预设较小覆盖率。第二个方针是优化化合物的特异性和主要的理化性质，因为要考虑多种此类特点，因而需要将它们组合成一个多方针得分。这样的打分是每种化合物的单独特点，答应在单独的基础上对化合物进行比较和排名。高通量筛选技能可以利用自动化设备及活络的检测体系等使生化或细胞事件可以重复和快速测验化合物数十万次。

场景2：疾病机制研讨除了上述应用，活性化合物库因为具有明确的靶点及效果机制，常被用来进行机制研讨。通过高通量挑选对得到的先导化合物进行靶点及效果机制的聚类分析，可以推测哪些靶点或通路可能参加了疾病调控，通过进一步验证，可以提醒一些新的效果机制或靶点。一次挑选，相当于指明晰后续研讨方向。下面我们通过一篇ClaudiaCapparelli等科学家今年发表在NatureCommunications上的文章为例看一下怎么使用高通量挑选技术进行机制探求的[3]。■研讨背景SOX10是黑色素瘤细胞中异质性表达的一种转录因子，SOX10的缺失会下降细胞增殖，导致侵袭性，并促进对BRAF和/或MEK抑制剂的耐受性。为了解决药物耐受问题，寻觅能诱导SOX10缺点细胞逝世的药物，ClaudiaCapparelli等人对MCE抗化合物库进行挑选。用于高通量试验筛选的化合物库有哪些？结构生物学药物筛选

高通量筛选化合物库寻觅抑制剂的中心在于酶活性信息的获得办法。药物发现结构筛选

2021年7月16日，DeepMind团队在Nature上公布了AlphaFold2的源代码。一周后，DeepMind团队再发Nature，公布AlphaFold数据集，再次传开科研圈！AlphaFold数据集覆盖简直整个人类蛋白质组(98.5%的所有人类蛋白)，还包括大肠杆菌、果蝇、小鼠等20个科研常用生物的蛋白质组数据，蛋白质结构总数超越35万个！并且，数据会集58%的猜测结构达到可信水平，其间更有35.7%达到高信度！深究AlphaFold2计算模型发现，AlphaFold2没有学习AlphaFold运用的神经网络相似ResNet的残差卷积网络，而是选用近AI研究中鼓起的Transformer架构，其间与文本相似的数据结构为氨基酸序列，通过多序列比对，把蛋白质的结构和生物信息整合到了深度学习算法中。从模型图中可知，AlphaFold2与AlphaFold不同，并没有选用往常简化了的原子距离或者接触图，而是直接练习蛋白质结构的原子坐标，并运用机器学习方法，对简直所有的蛋白质都猜测出了正确的拓扑学的结构。计算AlphaFold2猜测的结构发现：大约2/3的蛋白质猜测精度达到了结构生物学试验的丈量精度。药物发现结构筛选