从数以亿计的化合物中筛选活性分子,曾是药物研发最耗时费力的环节🤯。如今,虚拟筛选 (Virtual Screening,VS) 结合 AI 技术已从辅助工具跃升为核心引擎💪,在老药新用、难成药靶点、新型分子工具三大方向屡获突破[1]。
Section.01
核心机制:从“大海捞针”到“精准制导”
虚拟筛选的本质是利用计算机算法对大型化合物库进行快速过滤,以富集少数潜在活性分子供后续实验验证。其技术路径主要分为基于结构的虚拟筛选 (SBVS) 和基于配体的虚拟筛选 (LBVS)(详见往期推文:干货分享 | SBVS vs LBVS:虚拟筛选两条路,科研人该怎么选?)。
分子对接是 SBVS 的核心技术,它通过搜索算法探索配体在靶点蛋白活性口袋中的构象,并利用打分函数预测结合亲和力。然而,传统打分函数往往因简化熵变计算而导致预测偏差。近期研究引入了机器学习修正模型,如“Docking Score ML”,通过分析超过 20 万个已知靶点的对接复合物数据,显著提升了打分函数的准确性,有效改善了传统方法在复杂蛋白-配体相互作用中的偏见问题[2]。此外,针对蛋白质柔性带来的挑战,系综对接 (Ensemble Docking) 和水分子映射技术 (如WaterMap) 被广泛应用,通过精确描述界面水分子的热力学特征,进一步提高了筛选的命中率[3]。
Section.02
前沿应用:从传统药物发现到前沿分子设计的全面突破
技术原理固然重要,但对于各位科研汪而言,最关心的始终是:虚拟筛选在实战中到底能做什么? 以下三个来自近期 MCE 协助客户发表的顶刊真实案例,分别代表了虚拟筛选的三种应用方向。
一、老药新用——虚拟筛选从已上市/已进入临床药物中发现全新靶点与适应症
在近期一项发表于 Signal Transduction and Targeted Therapy (IF=81.2) 的研究中,研究人员发现脂肪酸代谢酶 ACADS 在结直肠癌中异常低表达,导致 mtDNA 高甲基化,抑制 mtDNA 泄漏与 cGAS-STING 通路,从而建立免疫抑制微环境,促进肿瘤进展[4]。
为了将这一机制转化为治疗策略,研究团队开展了基于结构的虚拟筛选:以 ACADS 蛋白晶体结构 (PDB: 2VIG) 为靶点,对 MCE 生物活性化合物库中的 2.5w 种化合物进行三级逐级筛选 (HTVS→SP→XP) ,结合人工校验,最终从数万化合物中锁定 8 个候选分子。体外验证发现,金丝桃素 (Hypericin) 可显著上调 ACADS 蛋白水平。表面等离子体共振 (SPR) 实验进一步证实两者直接结合,亲和力 Kd 达 4.25μM。
图 1. 金丝桃素以 ACADS 为靶点,实现免疫激活与结直肠癌 (CRC) 治疗[4]。
后续细胞、动物模型及人源肿瘤组织实验均证明,Hypericin 通过 ACADS 依赖的方式激活 cGAS-STING 通路,重塑免疫微环境,抑制肿瘤生长。
值得注意的是,Hypericin 作为光敏剂已成功完成 III 期临床试验,安全性良好,这一案例展示了虚拟筛选如何为“老药”赋予“新生命”——从已过 III 期临床的药物中发现全新的抗肿瘤免疫机制,体现了虚拟筛选在老药新用方向上的独特价值。
二、靶向“不可成药”膜蛋白——突破无经典口袋的成药性限制
草酸钙肾结石是最常见的尿路结石类型,复发率高达 50%,但其形成的起始步骤长期悬而未决。在一项发表于 Advanced Science (IF=14.3) 的研究中,团队通过激光捕获显微切割结合质谱分析,发现肾间质羟基磷灰石 (HAP) 沉积区域的成纤维细胞中 FASLG 显著上调 (FC=4.7)[5]。机制研究表明,HAP 晶体与成纤维细胞膜蛋白 THY1 结合,改变其配体结合偏好性——增强与 SFRP1 的结合、抑制与 NDP 的结合——进而激活 GSK3α/β-β-catenin 信号通路,直接上调 FASLG 转录,分泌的 FASLG 诱导邻近尿路上皮发生失巢凋亡,导致上皮脱落、斑块暴露,最终为草酸钙结石提供黏附位点。
THY1 是 GPI 锚定膜蛋白,无跨膜结构域和胞内结构域,完全通过蛋白-蛋白相互作用传递信号,缺乏经典小分子口袋,传统上被视为“不可成药”。团队以 AlphaFold 预测的 THY1 结构为靶点,对来自 MCE 生物活性库 Plus 和类药多样性库 Plus 中的 107,015 种化合物进行 HTVS→SP→XP→MM-GBSA→PLIF 逐级筛选,最终锁定天然产物 Benarthin。SPR 证实其与 THY1 高亲和力结合 (Kd=51 nM) ,Biotin pull-down 和 CETSA 进一步验证了细胞内靶向结合。Benarthin 不阻断 HAP 与 THY1 的结合,但阻断 THY1-SFRP1 互作——它不是“关掉”信号,而是“重新平衡”信号网络。在两种 RP 小鼠模型中,口服 Benarthin 显著保护了尿路上皮完整性。
图 2. 苯甲酮 (Benarthin) 抑制 THY1-SFRP1 结合及 GSK3α/β–β-catenin–FASLG 信号通路,从而抑制人原代视网膜色素上皮细胞 (hRPSECs) 的失巢凋亡 (anoikis) [5]。
这一案例突破了“无口袋膜蛋白”的成药性限制——通过靶向蛋白-蛋白相互作用界面,干预配体结合偏好性,体现了虚拟筛选在靶向难成药靶点方向上的突破性潜力。
三、为新型分子工具提供“弹头”——虚拟筛选赋能 DUBTAC 等嵌合体设计
2 型糖尿病 (T2DM) 患者的种植体骨整合效果差,即使血糖控制良好,骨再生能力仍低于非糖尿病患者,提示存在高血糖以外的内在分子缺陷。
在一项发表于 Journal of Advanced Research (IF=10.7) 的研究中,团队发现 T2DM 患者颌骨 BMSCs 中谷氨酰胺合成酶 GLUL 显著下调,且其表达与成骨分化能力呈剂量依赖性相关。机制上,E3 泛素连接酶 SYVN1 在 T2DM 中上调,介导 GLUL 在 K259/K334 位点的泛素化降解,导致 GLUL 蛋白水平下降、成骨分化受损[6]。
为恢复 GLUL 蛋白水平,团队针对 GLUL (PDB:2Z5Z) 的 K259/K334 位点,对来自 MCE 生物活性库和类药多样性库的 73,562 种化合物进行分子对接,结合 MST 验证与 DUBTAC 合成可行性评估 (活性基团数量) ,最终选择 HY-126351 作为靶向弹头——虽然其结合力并非最强,但仅含 1 个活性基团,更适合后续衍生化。团队将 HY-126351 与去泛素化酶 OTUB1 的共价配体 EN523 通过化学 linker 连接,设计合成了 HY-X3369 DUBTAC,其原理是招募 OTUB1 到 GLUL 附近去除泛素链,恢复 GLUL 蛋白水平。在 GK 糖尿病大鼠股骨种植体模型中,HY-X3369 局部注射显著促进了新骨形成与骨整合 (BV/TV、Tb.Th、Tb.N 显著提高),且主要器官无病理改变。OTUB1 敲低后 HY-X3369 效应消失,证明其靶向特异性。
图 3. 虚拟筛选得到 DUBTAC 配体[6]。
这一案例展示了虚拟筛选的“进阶应用”——它不仅找到了配体,更为新一代蛋白靶向技术 (DUBTAC) 提供了核心“弹头”,体现了虚拟筛选从“找药”到赋能新型分子工具的范式跃迁。
三个案例分别代表了虚拟筛选的三大并列方向——老药新用 (从已过 III 期临床的药物中发现全新抗肿瘤免疫机制) 、靶向难成药靶点 (突破 GPI 锚定膜蛋白的成药性限制) 、赋能新型分子工具 (为 DUBTAC 提供核心“弹头”) 。三者互不隶属,共同勾勒出虚拟筛选从传统药物发现到前沿分子设计的完整生态。
Section.03
结语
从结直肠癌到 2 型糖尿病,从老药新用到难成药靶点药物研发,基于分子对接的虚拟筛选技术正在深刻地改变药物研发的范式。它让研究人员能够在计算机上“预览”数百万甚至数十亿个化合物与靶点的结合模式,大幅压缩了药物发现的早期阶段。
当然,虚拟筛选并非万能——它仍然需要与实验验证紧密结合,才能真正推动候选分子走向临床。但可以确定的是,随着计算能力的提升、算法模型的优化以及蛋白结构数据的积累,虚拟筛选必将在未来的药物研发中扮演更加核心的角色。
本文仅作推广用途,不构成任何投资建议,相关信息披露内容请以公司公告为准。敬请投资者注意投资风险,理性决策,审慎投资。
产品推荐
上下滑动查看更多
虚拟筛选
虚拟筛选 (Virtual Screening, VS) 是基于小分子数据库开展的活性化合物筛选。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,缩短研究周期,降低药物研发的成本
AI 筛选
人工智能 (Artificial Intelligence,AI) 药物筛选是一种结合 AI 技术与计算化学的高通量筛选方法,广泛应用于蛋白结构预测、新药研发和分子设计与优化等领域。其主要目的是利用机器学习 (MachineLearning,ML) 算法分析大量数据,从中学习规律,生成 AI 打分函数,以此提高筛选效率,加速候选药物的发现过程。
分子对接
分子对接 (Molecular Docking) 是一种基于计算模拟的药物分子与生物大分子 (如蛋白质、核酸等) 相互作用预测技术。其核心原理包括锁钥模型 (Lock-and-KeyModel) 和诱导契合学说 (InducedFitTheory) ,分别描述配体-受体的刚性匹配和动态构象调整过程。
分子动力学模拟
分子动力学(Molecular Dynamics, MD)模拟是一种基于牛顿力学,综合了物理、数学和化学等多种学科的计算机模拟方法,用于研究分子体系的运动和相互作用、预测分子体系的行为和结构性质。通过计算机分子模拟,研究人员能够在分子水平上理解生物大分子的运动与生物功能、蛋白-小分子之间相互作用机理。
计算机反向找靶
计算机反向找靶(Computer-aided Reverse Target Identification,也被称为靶点筛选、反向找靶、靶点垂钓等),是新药研发和老药新用的关键环节,目的是识别药物发挥调控作用的核心生物靶点,为新药开发和现有药物的再利用提供重要方向。
网络药理学
网络药理学 (Network Pharmacology) 是以系统生物学与生物网络稳态理论为基础,从整体视角解析疾病病理演变规律,探究药物与机体之间的相互作用机制,以此指导新药研发的交叉学科。通过构建药物成分 - 疾病靶点 - 信号通路、蛋白质相互作用等生物网络,系统性关联药物与疾病,聚焦多条信号通路协同调控,研究人员能够初步解析药物药理作用分子机制,进而辅助提升新药临床试验成功率,有效降低药物研发成本。
大放异彩! 当虚拟筛选"撞上"老药新用?
干货分享 | SBVS vs LBVS:虚拟筛选两条路,科研人该怎么选?
科研助攻 | 告别大海捞针! VS+SPR: 快, 准, 稳的药物筛选 "黄金拍档"!
干货分享 | DeepSeek 让 AI 筛选更火了? AI+虚拟筛选, 药物筛选新范式! 速戳~
[1] LIU X, REN X, LI P, et al. Research progress of artificial intelligence in high-throughput drug screening[J]. Frontiers in Pharmacology, 2026, 17.
[2] LIU H, HU B, CHEN P, et al. Docking Score ML: Target-Specific Machine Learning Models Improving Docking-Based Virtual Screening in 155 Targets[J]. Journal of Chemical Information and Modeling, 2024, 64(14): 5413-5426.
[3] KACZOR A A, ZIĘBA A, MATOSIUK D. The application of WaterMap-guided structure-based virtual screening in novel drug discovery[J]. Expert Opinion on Drug Discovery, 2023, 19(1): 73-83.
[4] Yang F, Wang M, Hu S, Guan X, Zhao K, Zhou Y, Yao H, Zhang T, Li L, Gao Y, Zhao S, Liu N, Xiao W, Xiang Y, Miao H. Short-chain acyl-CoA dehydrogenase initiates mtDNA demethylation and leakage to fuel antitumor immunity in colorectal cancer. Signal Transduct Target Ther. 2026 Mar 26;11(1):113.
[5] Liu M, Wu M, Gao M, Li Y, Yuan M, Liao Z, Liu Z, Wang Y, Cui Y, Chen J, He C, Chen Z, Zeng F, Chen H, Zhu Z. FASLG Derived from Fibroblasts in Hydroxyapatite-Rich Microenvironment Induces Urothelial Anoikis to Trigger Randall's Plaque Exposure. Adv Sci (Weinh). 2026 Jun;13(34):e21605.
[6] Wang L, Diao Z, Wang W, Huang Y, Liu Y, Gao Z, Ma P, Shan Z, Li J, Fan Z. A "DUBTAC" targeting GLUL deubiquitination promotes BMSC osteogenic differentiation and implant osseointegration in type 2 diabetes. J Adv Res. 2026 Apr 13:S2090-1232(26)00338-3.