Adenosine

本 文 目 录 1、arXiv符号神经生成在先导化合物发现中的应用 2、以小搏大，加速先导化合物发现进程!一文读懂微量合成技术在药物研发中的应用价值 3、基于生物活性的分子网络构建用于天然产物生物测定导向分离中先导化合物的发现 4、先导化合物与前药:新药开发的双引擎--从分子发现到临床转化的科学逻辑与前沿进展 一、arXiv符号神经生成在先导化合物发现中的应用 （原创 智药邦 智药邦） 2025年10月27日，BITS Pilani大学、剑桥大学、新南威尔士大学以及德里大学等研究团队在arXiv上发表文章，题为“Symbolic Neural Generation with Applications to Lead Discovery in Drug Design”。 作者研究了一类混合神经符号模型，该模型将符号学习与神经推理结合，用以构建满足形式化正确标准的数据生成器。在符号神经生成器(SNG)中，符号学习器根据少量实例推导可行数据的逻辑规范。每条规范反过来约束神经生成器所接收的条件信息，使其拒绝任何违反符号规范的生成实例。文章实现了一个将受限形式的归纳逻辑程序设计(ILP)与大语言模型(LLM)相结合的SNG，并在药物早期设计中进行了评估。主要关注点是SNG所产生的描述以及其生成的潜在抑制剂分子集合。在基准问题中，SNG的表现与当前最先进方法在统计上相当；在靶点理解不足的探索性问题中，所生成分子展现出的结合亲和力可与领先的临床候选物相媲美。专家进一步认为，符号规范可作为有用的初步筛选条件，其中若干生成分子被识别为具有合成与湿实验室测试价值的候选物。 代码仓库：https://github.com/tirtharajdash/LMLFStar 背景 随着现代预训练的大型神经模型已经能够逼近极其广泛的概率分布，新的挑战在于如何以可验证的方式对其进行约束，使其专注于特定任务。从原则上说，这一目标既可以通过纯符号方法实现，也可以通过纯连接主义方法实现。 对于一个符号生成器，需要找到某种符号描述S，其中包含对所有相关可能实例的集合U中元素的概率值。随后，这种符号描述可以直接用于采样生成实例。然而困难在于，符号表示通常不够细致，无法表达极其复杂的概率分布；此类分布更适合通过神经网络使用的高维实向量编码来逼近。这在利用语言模型获取复杂条件概率分布时尤为明显。 对于纯连接主义方法，神经网络可以对诸如Φ(·)之类的谓词进行编码。问题在于，如果数据样本极少，这种编码会效果不佳(LLM已在少样本文本任务中表现出惊人的能力，但目前尚不清楚这种能力能否稳健地扩展到逻辑公式)。此外，神经模型缺乏精确且可验证的形式化描述，这也构成挑战。当然，如果任务还要求描述能够被人类理解，那么神经网络的编码方式将面临众所周知的困难。 因此，出于实践考虑，人们对混合系统的兴趣持续存在。混合系统可以由已有模块构建，更易维护，并且更适合可控的实验研究，特别是在每个组件主要负责特定功能的情况下。 在本文中，作者提出使用一个符号组件，通过构造谓词Σ(·)的定义来探索Φ(·)的可能近似。每个此类定义都伴随一组实例，这些实例来自某个神经生成模型，并满足Σ(·)。这种使用符号学习器与神经生成器组合的方法构成了符号神经生成器(SNG)。图1展示了理想的期望结果，以及实际结果。按照定义，SNG属于类别图2(B)中系统的一个子类。 图1 (a)理想情况下，希望生成满足Φ(x)为真的实例集合中的实例；(b)当Φ(·)未知时，使用符号学习器得到的假设构造Σ(·)，以近似Φ(·)。希望能从S中高效采样。N是神经生成器获得的实例集合。对于理想的SNG，应满足N ⊆ S ⊆ X；(c)在实践中，符号学习器可能不完美，而神经生成器对条件分布的建模也仅为近似。集合X是生成的、属于S的实例集合。 图2 混合神经符号系统的分类方法及示例 神经符号生成 考虑如下问题：识别集合X={x:x∈U，Φ(x)为真}中的实例，其中条件是Φ(x)未知。然而，确实拥有一些来自U的实例，并且知道它们是否属于X。此外，也可能存在一些与问题相关的背景知识可供利用。在符号神经生成中，利用已有知识研究一个对Φ(·)的近似Σ(·)，并使用该近似来约束后续由神经采样器生成的实例的选择。 SNG实现 从图3(b)可见，SNG的实现可以被设计成对集合F中的成对元素(或其加权版本T)进行搜索。在设计实现时，需要回答三个问题：如何识别假设H；如何获得支持集X；如何在空间T中进行搜索。伪代码1是一个为解决获得支持集问题而设计的通用实现，它使用LLM作为从U中生成实例的生成器。SNG的输出是一个三元组(H, X, W)，其中H是由数据构建的可行实例的符号描述，X是满足该描述的生成新实例集合，W是相关权重。 图3 SNG偏序语义 伪代码1 Gen:神经生成器的基于LLM实现 简单SNG的示例 一个简单的SNG可以通过以下策略得到，(a)首先在基底偏序上搜索，以找到良好的符号假设H；(b)使用步骤(a)获得的H，并调用过程Gen在给定背景B的基础上获取实例样本。 通过一个国际象棋棋局示例来说明链式处理SNG：由白王(WK)、白车(WR)和黑王(BK)组成。关于该棋局存在两个典型任务：学习用于判定非法局面的规则；在黑方行棋(BTM)情形下，预测白方最短几步可以将死黑方(图4(a))。在黑方走棋时，该局面已经是将死，因此是白方必胜(WFW)局面。这类局面仅占整个数据集约0.1%，属于罕见事件。因此SNG的目标是识别一个描述WFW的符号假设以及为该罕见事件生成样本实例。 图4 国际象棋棋局示例 Gen 迭代结果示例 下图展示了使用GPT-4o作为语言模型、最大样本数量设为30时，过程Gen迭代结果。由图5可知，使用符号模型时，LLM的条件生成能力会逐步提升；鉴于WFW这一概念的正例数量极少，在没有符号理论且Zero-shot的情况下，LLM未能生成任何正例。 图5 每次Gen迭代中生成的WFW实例数量 在先导化合物发现中应用SNG 案例1：具有大量配体的已充分研究的靶点 在两个研究充分的激酶抑制剂上进行受控评测，分别为JAK2(4100个带标签的分子,其中3700个为活性)以及DRD2(4070个带标签的分子，其中3670个为活性)。在本案例研究中，仅使用1个因素，即估计结合亲和力。实验方法步骤如下，首先确定因子集合F及其他约束。随后获取数据实例，包括正例、反例以及未标注样本。最后使用背景知识B、数据D、因子F以及其他约束，使用GenMol生成一组分子并评估所生成分子的质量。 图6 激酶抑制剂JAK2及DRD2的实验结果 结果如图6所示，SNG的表现至少与LMLF++持平，甚至更好。此外，一个理想的先导化合物生成器应能提出新颖的分子。对JAK问题而言，这并不容易，因为已知抑制剂数量非常多。图7表明GenMol生成的分子仍具有相当的结构新颖性。这部分归因于LLM的prompt，意在生成不属于任何已知化学数据库的分子。 图7 使用GPT-4o生成分子的潜在新颖性 案例2：对靶点理解不足且抑制剂稀少的情形 本研究使用人类多巴胺β-羟化酶(DBH)二聚体的计算模型生成小分子，使其在模拟环境下具有比最新一代DBH抑制剂至少同等或更好的IC50与KD值。使用5种已知的DBH抑制剂(Tropolone、Disulfiram、Nepicastat、Zamicastat、Etamicastat)作为数据，后三者见图 8。该探索性问题旨在基于5个分子在DBH代理靶点上的结构与抑制效果数据，生成潜在的DBH抑制剂先导分子。已知分子的数量非常少(只有5个)。进行了两类探索实验，分别为In-the-Box探索/Few-shot模式和Out-of-the-Box探索/Zero-shot模式。 图8 三种处于不同FDA审批阶段的已知DBH抑制剂 图9 Few-shot(1-5)与Zero-shot(6-10)生成的Top-5分子 图9展示了GenMol提出的潜在DBH抑制剂，以及它们对4zel蛋白的对接分数。分子1–5是In-the-Box探索/Few-shot模式中按估计亲和力排序的前5名；分子6–10是Out-of-the-Box探索/Zero-shot模式的前5名。在Few-shot模式中，GenMol所用的LLM在生成时具有少量示例；在Zero-shot模式中不提供示例，LLM根据其分子分布生成分子。结果表明，Few-shot模式倾向于生成与现有抑制剂相似(但不同)的分子。Zero-shot模式能够生成与已知抑制剂非常不同的新型分子。从生物学角度，有充分理由相信，分子1–5能够与靶点结合；分子6、7、8和10也有良好的结合可能性；其中生物学家认为6和10特别有趣。从合成角度看，所有分子都可合成，但6–10更可能通过短路线合成(因此可能更便宜)。 图10 使用/不使用符号学习所生成分子的预测结合亲和力 图10展示了仅使用基于LLM的生成器、且不使用符号理论来约束其输出时的结果。结果显示，符号假设确实在其中发挥了有用作用。 总结 本文提出了一种神经-符号方法，称为符号神经生成(SNG)。SNG系统的特点在于使用一个(学到的)符号描述约束神经生成器生成数据的过程。符号模型在SNG中起到规范的作用，而神经生成器则起到实现的作用。在基准问题上展示的结果表明，SNG方法可与最先进方法相媲美。然而，更具意义的是探索性研究，它对早期药物设计领域尤为重要，具体体现在，使用极少量的数据实例(本例中仅5个)，生成器的一些结果(尤其是在Zero-shot模式下)可能具有生物学新颖性并可被合成。通过LLM，生成的结果可被专家理解；通过符号模型，对LLM输出的控制与验证也得以实现。本工作可通过多种方式改进与扩展，包括GenMol算法解的质量以及方法效率的优化、更多Out-of-the-Box实验以及符号方面的进一步探索。更广泛地说，SNG系统不仅适用于分子生成，还可用于任何需要生成数据并进行形式验证或人工验证，但尚无正式描述的问题。 参考链接： https://doi.org/10.48550/arXiv.2510.23379 二、以小搏大，加速先导化合物发现进程!一文读懂微量合成技术在药物研发中的应用价值 （原创 药学进展 药学进展） 以小搏大，加速先导化合物发现进程！一文读懂微量合成技术在药物研发中的应用价值PPS  陶昱岑，徐淑静，张续杰，刘新泳*，展鹏** （山东大学药学院药物化学研究所化学生物学教育部重点实验室，山东济南250012） [摘要]  1 基于96或384微孔板的微量合成药物 通过在微孔板上快速构建具有结构多样性的化合物库，并辅以原位筛选技术可以极大地提高先导化合物的发现效率。选择一种合适的反应来生成具有结构多样性的化合物库是该策略的核心步骤，其基本特点为：目标化合物产率高、反应条件温和、反应易于操作。目前，该方法中常用的反应有点击反应[2]、酰胺缩合反应[3]、多组分反应[4]等。除此之外，也有文献报道了利用氨基与醛基生成亚胺的反应来快速构建聚焦型化合物库的方法等[5]。 单胺氧化酶（monoamine oxidase，MAO）是一种具有多个结合位点的酶，主要分布于肝、肾、胰、心等器官。正常情况下，该酶可氧化胺类底物脱氨并产生过氧化氢。因此，MAO的过表达会使得机体内过氧化氢、乙醛等过量蓄积，从而导致神经元异常和情绪异常[6-8]。2016年，Jia等[9]利用点击化学微量合成辅以原位筛选技术，快速合成并筛选了40个黄酮衍生物。该化合物库设计思路为通过点击化学在黄酮C6位引入不同片段，伸入毗邻位点，从而实现潜在的双位点抑制作用，其中化合物1的活性最好（对MAO-A的IC50为1.6μmol·L-1；对MAO-B的IC50为2.1μmol·L-1）；化合物2的选择性最高，对MAO-A无活性，对MAO-B的IC50为（71.3±7.6）μmol·L-1，其选择性指数（SI）大于14。 蓝氏贾第鞭毛虫是一种常见的能引起患者腹泻的寄生虫[13-15]。目前治疗贾第虫病的主要药物是硝基杂环类药物，包括咪唑衍生物、甲硝唑、替硝唑、噻唑、硝唑苯胺衍生物等。但这些药物的治疗失败率仍高达20%，并且有报道其体内外的耐药性[16]。Kim等[17]通过经典点击化学——铜（I）催化的炔烃-叠氮化物环加成反应[The copper(I)-catalyzed alkyne-azide cycloaddition，CuAAC]快速微量合成了442个含有不同侧链取代基的氮杂环衍生物。对该化合物库直接进行活性筛选，发现化合物7对代表性的蓝氏贾第鞭毛虫突变株BRIS/83/HEPU/106具有良好的活性（EC50=0.07μmol·L-1）。 耐药性的产生是癌症治疗失败的主要原因之一。多药耐药相关蛋白1（multidrug resistance-associated protein 1，MDR1）是一种腺嘌呤核苷三磷酸（adenosine-triphosphate，ATP）结合蛋白，其可以将药物泵出胞外，从而减少药物在肿瘤细胞中的蓄积，降低药物对肿瘤细胞的杀伤作用[18-19]，抑制MDR1活性可以减少药物外排量，从而达到药物原有的治疗效果。据报道，天然产物中的黄酮类化合物是该靶标良好的小分子抑制剂，Wong等[20]选取黄酮结构为基本骨架，通过点击化学微量合成的方法在微孔板上高效地构建了含有300个二聚体黄酮衍生物的化合物库，原位筛选技术发现35个化合物对加有阿霉素（doxorubicin，DOX）的2008/MRP1细胞表现出较高的抑制率，后续活性复筛发现化合物8活性较好，EC50为（41±3）nmol·L-1，其对DOX的2008/MRP1细胞表现出了较好的活性，相比阳性对照MK571（9，EC50=19μmol·L-1）活性提升了400多倍。后续机制研究表明，化合物8在细胞内可以有效抑制MRP1细胞活性，从而逆转肿瘤细胞对DOX的外排作用，增强了DOX对耐药肿瘤细胞株的杀伤力。 谷氨酰胺酶（glutaminase，GLS1）是一种氨基水解酶，是肿瘤细胞生长与增殖的重要调控蛋白，通过抑制GLS1活性可以有效抑制肿瘤细胞的增殖扩散[21]。因此，基于GLS1的小分子抑制剂研究非常重要。Xu等[22]以CB839（10）和BPTES（11）为先导化合物，通过生物电子等排策略，分别将CB839和BPTES右翼的苯环替换为三氮唑环。随后通过点击化学微量合成的方法将该片段与不同的小分子片段连接，在微孔板上高效地合成了200个目标化合物。后续活性筛选发现化合物12（IC50=0.041μmol·L-1）的活性超过阳性对照CB839（IC50=0.11μmol·L-1）。 2018年，He等[23]选取O-苯并三氮唑-四甲基脲六氟磷酸盐（O-benzotriazole-N，N，N'，N'-tetramethyl-uronium-hexafluorophosphate，HBTU）催化的酰胺缩合反应，在室温下仅用12h便在微孔板中平行合成了4个化合物库（共768个化合物）。对库中化合物快速筛选发现化合物13~15活性较好，抑酶活性复筛发现化合物13~15对蛋白酪氨酸磷酸酶2（src homology 2 containing protein tyrosine phosphatase2，SHP-2）具有良好的抑制活性，其中，化合物13的IC50为（1.5±0.1）μmol·L-1；化合物14的IC50为（1.4±0.04）μmol·L-1；化合物15的IC50为（2.3±0.04）μmol·L-1，化合物13的活性是阳性对照药物头孢磺啶[IC50=（16.8±2.0）μmol·L-1]的10多倍。药理机制实验表明，化合物13在细胞层面可以通过抑制SHP-2介导的信号通路来抑制肿瘤细胞的增殖。 近期，笔者所在课题组以细胞分裂周期因子25蛋白（cell division cycle 25 phosphatase，Cdc25phosphatase）磷酸酶的代表性抑制剂NSC663284（16）为先导化合物，选取优势萘醌片段，在其右翼通过点击化学微量合成的方式引入不同的取代基，发现了高活性、高选择性的Cdc25C磷酸酶抑制剂17，其对Cdc25A的IC50为（0.53±0.03）μmol·L-1；对Cdc25B的IC50为（1.39±0.95）μmol·L-1；对Cdc25C的IC50为（0.09±0.01）μmol·L-1，其对Cdc25C活性相对于先导化合物NSC663284（IC50=0.76μmol·L-1）提高了近10倍[24]。此外，笔者所在课题组以二芳基嘧啶（diarylprimidines，DAPY）类化合物为先导，运用基于药效团模型与靶标结构的药物设计对DAPY类非核苷类逆转录酶抑制剂（non-nucleoside reverse transcriptase inhibitor，NNRTI）进行结构优[25]。随后通过点击化学微量合成的方法快速合成了234个DAPY衍生物，辅以原位筛选技术与活性复筛，短时间内发现了人类免疫缺陷病毒1型（humam immunodeficiency virus-1，HIV-1）抑制剂化合物18，其EC50为3.28nmol·L-1。同时，化合物18对HIV双突变株RES056也具有抑制活性，其EC50为481nmol·L-1。 2021年，Sangouard等[26]将声学液滴喷射（acoustic droplet ejection，ADE）技术与基于微孔板的微量合成相结合，短时间内构建了大型组合大环化合物文库。随后通过直接筛选快速发现了鼠双微粒体基因-2蛋白和p53蛋白（murine double minute 2-p53，MDM2-p53）蛋白-蛋白相互作用的抑制剂19，其展现出了良好的抑酶活性，IC50为（0.6±0.2）μmol·L-1。传统的基于微孔板的高通量合成受到高成本移液头和合成所需的毫克级前体化合物等因素的限制。为克服上述缺点，Sangouard等[26]对建库方法进行了改进，并首次报道了应用ADE技术，将砌块库逐步转移到384孔微量滴定板中来合成大型组合大环化合物文库的方法。该方法与传统微孔板合成（反应液体积为微升）相比，仅需要纳升体积的反应液，为基于微孔板的微量合成提供了全新的思路，避免了前体物料的过度消耗，进一步实现了绿色化学的理念。 需要指出的是，CuAAC是经典的点击化学反应之一，但由于该反应中催化所必需的铜离子对生物体系中的酶、细胞等具有毒性，因此易造成假阳性或假阴性结果。2004年，Agard等[27]提出了无铜催化的炔烃-叠氮环加成反应（strain-promoted azide-alkyne cycloaddtion，SPAAC）。通过环的构象限制，可以提高炔烃的反应活性，从而使得SPAAC可以在温和的无铜催化下进行。半胱氨酸蛋白酶（Caspase）是一类非常保守的蛋白酶，其可以调控细胞的凋亡和促炎细胞因子的成熟，Qian等[28]选择Vertex公司研发的口服Caspase-1抑制剂pralnacasan（20）为先导化合物，通过骨架跃迁策略，将pralnacasan分子中的六元和七元并环结构替换为三氮唑并八元环，而后通过SPAAC反应，在微孔板中快速合成了52个化合物。由于该反应液中不含铜离子，因此可以直接用于细胞活性的初步筛选，接着选取抑制率最高的5个化合物对其进行了后续的活性复筛。生物实验结果表明化合物21活性较好，其对Caspase-1的IC50为（0.899±0.001）μmol·L-1、对Caspase-3的IC50大于100μmol·L-1、对Caspase-7的IC50大于140μmol·L-1。 在96或384微孔板上进行的微量合成除了上述的点击反应外，还包括多组分反应。2020年，Osipyan等[29]报道了利用微量多组分反应制备亚胺基吡咯烷聚焦库的方法。该方法核心是利用即时喷点移液（immediate drop on demand technology，I-DOT）技术将载有原料的溶液准确加入到384孔板中，并控制每孔所含反应液为660nL。反应16h后，将反应液注入质谱（mass spectra，MS）中进行检测，结果显示大部分微孔（66%）中目标产物的产率都在中等及偏上水平（≥50%）。接着，Osipyan等[29]又随机选择了12个微孔中的反应进行毫摩尔级的扩大量合成以验证其产率。结果显示，反应底物有环酮时，反应具有不错的产率（82%~83%），然而当酮类底物为环丁酮时，反应产率仅有34%。醛基底物中，脂肪醛相比于芳香醛，更有利于目标化合物的生成。该方法的报道丰富了微孔板合成技术的反应类型，为后续基于微孔板的微量合成提供了新的反应类型。同时，I-DOT技术的出现使得微量合成反应中加料量的精确度进一步提升，更加有利于微孔板中反应的进行。 2021年，Gao等[30]通过声学传感移液技术将3组分反应液快速固定在微孔板中，短时间内合成了1536个化合物，后续通过原位筛选和抑酶活性复筛实验发现化合物22，其对多发性内分泌腺瘤1型基因编码蛋白（Menin）表现出了微摩尔级的活性，其IC50为2.8μmol·L-1。除此之外，Gao等[30]通过共晶进一步探讨了化合物22与Menin蛋白的结合模式（见图1A）。2021年，Sutanto等[31]通过Ugi多组分反应和Passerini多组分反应分别在96和384微孔板上快速构建了具有结构多样性的化合物库，由于终产物水溶性较差，当反应完成时，大部分终产物在微孔中直接析出，核磁氢谱显示，该类析出化合物纯度较高（纯度大于80%），而未析出的化合物可以通过快速柱层析迅速纯化。随后的高通量蛋白-小分子共晶实验发现，4个苗头化合物23~26与活性位点的氨基酸残基Cys145形成共价结合，通过荧光共振能量转移（fluorescence resonance energy transfer，FRET）实验测定以上4个苗头化合物对 2019 新型冠状病毒（SARS-CoV-2）的主蛋白酶（3CL-Pro）的活性，其IC50分别为3.96、139.1、9.39及2.36μmol·L-1，其结合模式如图1B所示。 综上，基于微孔板的高通量合成技术可以在短时间内平行合成大量化合物，极大地提高了苗头化合物/先导化合物发现的概率。同时，微量的条件下，反应溶剂及试剂的消耗量极小，节约原料的同时，也减少了有毒废弃物的排放，更符合绿色化学理念。除此之外，基于微孔板的微量合成技术由于其操作的简便性、方法的实用性等优点，越来越多的实验室将该方法运用到了新药研发中[32-33]。 2 基于小分子或液滴微阵列的药物 1995年，Schena等[34]发明DNA微阵列技术，将已知序列的寡核苷酸固定在固体表面上，同时将待检测的探针核酸序列与上述已知的核苷酸序列进行杂交，从而实现基因信息的快速检测。随着化学的发展，微阵列技术不再局限于DNA分子，蛋白质分子、化学合成小分子等也相继被固定到固相表面用于微阵列分析。小分子微阵列技术（small molecule microarray，SMM）是指将目标化合物有序地固定到固体表面，从而实现快速、平行的活性筛选的技术[35]。SMM技术包含：化合物库的合成、化合物的固定等，与传统有机溶剂中的合成相比，SMM技术中的固相合成技术具有以下显著优点：自动化程度高、反应产率高，因此，其应用越来越广泛[36-38]。 乳腺癌相关基因1编辑蛋白（breast cancer1protein，BRCA1）是一种包含有磷酸化丝氨酸结合域的细胞调控蛋白，其可以抑制细胞的癌变，在DNA损伤的修复中发挥重要作用。在多种肿瘤细胞中均发现了突变型的BRCA1，因此针对BRCA1突变型的小分子抑制剂研发非常重要[39]。Na等[40]通过SMM技术，将优势氨基酸片段固定于活化玻璃板上，通过微量的酰胺缩合反应，快速合成了101个拟肽类化合物。接着Takaoka等[39]使用N，N-二甲基甲酰胺和二氯甲烷对玻璃板进行多轮的清洗，快速除掉残留的反应液和催化剂，从而对玻璃板上的化合物进行准确的活性筛选。该方法极大地缩短了化合物合成到先导化合物发现的时间，Takaoka等[39]利用该方法成功地发现BRCA1抑制剂27（IC50=0.31μmol·L-1）（见图2）。 2017年，Peng等[41]针对多聚ADP-核糖聚合酶（poly ADP-ribose polymerase，PARP）进行合理药物设计，利用SMM技术，通过CuAAC点击反应在树脂板上微量合成了1120个化合物，后续的活性筛选发现化合物28是PARP14双位点抑制剂（IC50=0.49μmol·L-1）。为了探讨化合物28与PARP14的具体结合模式，Peng等[41]进行了共晶的培养，结果显示化合物28同时结合于2个空腔中，并与Ser1700、Ser1688、Thr1684、Ser1722等多个氨基酸残基形成了氢键作用（见图3）。 RNA是体内重要的遗传信息载体，其中微小核糖核酸21型（microRNA-21，miRNA-21）在多种肿瘤中发现了过表达的现象。敲除肿瘤细胞中的miRNA-21后可以诱导肿瘤细胞的凋亡。2010年，Medina等[42]通过小鼠模型确证了miRNA-21的过表达与前体B细胞淋巴瘤的发生直接相关。然而，针对RNA的高亲和力小分子抑制剂鲜有报道。2017年，Connelly等[43]通过微量合成将20000个小分子固定于γ-氨基丙基硅烷（γ--aminopropyl silane，GAPS）玻璃板上，接着将其与荧光标记的pre-miRNA-21共孵育1h后，通过荧光成像的不同判断小分子与miRNA-2的结合力强弱（评分Z-score＞3即被认为是苗头化合物）。其中，19个化合物（Z-score＞3）表现出了对miRNA-21较好的亲和力。后续活性复筛发现化合物29和30活性最好，其中，化合物29的解离常数（Kd）为（2.3±0.5）μmol·L-1；化合物30的Kd为（0.8±0.2）μmol·L-1。 2019年，Rosenfeld等[44]报道了在纳米聚合材料上微量合成多肽的方法，其开发的纳米聚合材料上有序地分布着亲水性微孔，孔内含有活化的光敏性链接基团，从而有效地支持孔内肽段的固相合成。Rosenfeld等[44]还证实该方法除了支持肽段合成以外，还可以在微孔中加入反应液进行微量的小分子化合物合成。后续通过特定波长的紫外光照射光敏性链接基团，使其断裂，从而释放出目标产物。通过改变光线照射时长与光线强度等因素，可以有效控制目标化合物释放的数量和时间等。该技术实现了目标化合物的微量合成与光诱导的控制释放，辅以后续的原位筛选技术可以极大地提高化学合成到活性筛选的效率，增加苗头化合物的发现机率。 除了上述小分子微阵列技术以外，液滴微阵列也同样是一种常见的微阵列技术。液滴微阵列技术是指将含有目标化合物的甘油溶液有序滴加在固相表面，从而直接进行活性筛选的技术。该技术有着诸多优势：1）无需将溶液蒸干，液滴即为合成反应的微环境；2）与小分子微阵列相比，液滴微阵列技术无需通过化学反应将化合物共价结合于平板表面，甘油自带的表面张力与附着力保证了液滴有序地排列在固相表面；3）甘油的微环境可以使得多种酶在体外环境中变得稳定，同时，甘油也是一种极佳的液体介质，其与二甲亚砜、水等常见溶剂完全互溶[45-47]。 由于干细胞的自我更新能力和高度分化能力[48-49]，使其在过去的几十年中引起了医学生物学家们越来越广泛地关注。通过基于干细胞的高通量筛选发现对自身组织具有促进更新与修复能力的小分子化合物是一项极有意义的研究[50-52]。但该研究的实施面临着诸多问题，其中最主要的问题是干细胞在培养时会自发地细胞分化，从而使得实验失败。2017年，Tronser等[53]证明了液滴微阵列技术可以成功阻止干细胞的自发性细胞分化。实验中，Tronser等[53]发现液滴中的鼠源干细胞状态趋于稳定，自发的细胞分化作用停止了72h。后续机制实验表明，该现象可能归因于固相载体表面的孔隙率和粗糙程度。虽然该实验仅短时间内抑制了干细胞的自发分化作用，但为后续干细胞药物研发提供了全新的思路与方法。 2020年，Brehm等[54]在之前研究基础之上报道了光控释放目标产物的液滴微阵列技术。他们在玻璃薄片上覆盖一层多孔的纳米聚合物材料，该材料每个微孔中都含有1个光敏连接链用以诱导微孔中的反应进行。当反应完成时，通过多次洗涤该玻璃板，将残留的反应液清除干净，之后在纳米微孔中滴加溶剂，并同时使用365nm的紫外光照射来控制产物按需释放入微孔液滴中。后续通过在液滴中直接加入细胞，从而进行快速的活性筛选。Brehm等[54]在该技术基础之上，使用Ugi四组分反应，在微滴中快速合成了588个化合物。 3 基于微流控芯片的药物 从中世纪的炼金术开始，人们习惯于在玻璃器皿（烧瓶、烧杯）中操纵反应原料，获得产物。然而，面对人类对新物质、新规律的不断需求，传统玻璃器皿的劣势日渐凸显：集成化、自动化程度低，资源浪费，选择性、重现性差，以及安全隐患等。在此背景下，微流控芯片反应器应运而生，并以其独特优势，在合成方法学、药物筛选以及大规模应用等诸多领域扮演着重要角色。 微流控芯片反应器一般是指微加工和精密加工技术制造的小型反应系统，内部微通道尺寸在亚微米到亚毫米数量级。常见的微流控芯片反应器从材质上分，有玻璃/石英/硅芯片、聚合物芯片和金属芯片3类[55-57]。 玻璃和石英芯片因具有优异的电渗、光学和表面性质，其刻蚀加工方法和表面改性的化学方法比较成熟[33,58]。但由于玻璃芯片不耐强酸，因此其应用也具有一定局限性。 有机聚合物类芯片由于其种类较多、加工方便，是玻璃和石英芯片不错的替代品。聚二甲基硅氧烷（polydimethylsiloxane，PDMS）芯片具有良好的光学性能，价格便宜易加工，应用比较广泛。PDMS的化学性质大部分情况趋于稳定，但遇到丙酮等会发生形变，并且这类芯片散热不及玻璃和石英[59]。 不锈钢芯片相比于以上3种芯片的稳定性较高。这类芯片一般为多模块组装而成，易拆卸可清洗，避免了微通道发生堵塞而使整个反应器报废。但由于该类芯片的特殊材质和各模块的精密加工，不锈钢芯片成本非常高，对微加工技术的要求也很高[60-61]。 不同材质的微流控反应器都具有扩散距离短、传质更快的优点。化学反应的实质在于分子的碰撞从而反应生成新的化学键，因此合成中反应物的混合情况是提高反应效率的关键之一。其次，微流控芯片反应器相比传统圆底烧瓶等反应容器在比表面积上有了飞跃。微流控芯片反应器比表面积通常可以达到5000~50000m2·m-3，超大的换热面积使微反应器的热传导系数与常规反应器相比高出10倍，无论是对反应的加热还是反应本身释放的热量都可以快速传递，从而使反应温度更稳定，反应过程的控温更容易[62]。 以上几大优势使得微反应器在有机合成中的应用越来越广泛，这方面的研究也在不断深入。 Grisoni等[63]将人工智能辅助药物设计与微流控反应器有机结合，极大地提高了苗头化合物发现的效率。他们首先针对肝X受体（liver X receptor，LXR）利用人工智能深度学习的方法对所获得化合物库进行虚拟筛选，同时对筛选所得分子进行合成可行性分析，最后得到了44个具有全新结构的可合成化合物。其中，41个化合物通过自动化的微流控反应仪合成，3个化合物从试剂公司购买所得。接着Grisoni等[63]对其进行了活性测试，发现化合物31和32分别是LXRα和LXRβ型的激动剂，其EC50分别为（0.183±0.006）和（0.34±0.02）μmol·L-1。该结果进一步证明了微流控合成在药物合成领域的可行性。同时，将微流控反应仪与人工智能深度学习、液相色谱-质谱联用技术（high performance liquid chromatography-mass spectrometry，HPLC-MS）等分子设计与反应实时监测的方法整合，加快了苗头化合物发现速率。 4 基于靶标模板诱导的合成策略 靶标模板诱导的合成（target-guided synthesis，TGS）是药物发现中一种极其重要的策略，该策略以蛋白质靶标为模板诱导与其结合的小分子片段相互连接。该策略主要分为2类：1）动态组合化学（dynamic combinatorial chemistry，DCC），其目的在于建立可变通的适合新药开发的组合库，其途径类似于分子水平上的达尔文进化论。通过“适者生存”的方法，在组合库重组的过程中，与模板无关的化合物或结合比较弱的配体逐渐“死亡”减少，解离成原来的“分子单元”，而这些分子单元在模板的引导下重新组合、反应，形成新的活性配体，它们以此方式“繁殖”增加。组合库的分子单元作为“生存”的竞争者，依赖于单元之间的可逆反应，与模板牢固结合的分子将产生新分子，然而，与模板结合较弱的分子将作为原料留在母液中。2）不可逆的蛋白模板诱导合成（kinetic target-guided synthesis，KTGS），该方法与DCC唯一不同的是，KTGS中的片段链接是不可逆的[64-66]。目前，2种方法均已被成功运用在多种靶标的苗头化合物的发现中[67]。 2017年，Wang等[68]在DCC策略的指导下，通过点击化学原位合成技术将低活性（IC50＞1mmol·L-1）的不同小分子片段拼接，发现了2个具有透膜性的化合物33和34（见图4A），其IC50分别为139和66.7μmol·L-1。同年，Bhardwaj等[69]以2型环氧化酶（cyclooxygenase-2，COX-2）蛋白为模板，通过原位点击反应发现化合物35和36（见图4B）（化合物35：IC50=0.09μmol·L-1；化合物36：IC50=0.05μmol·L-1）展现出了与阳性药物塞来昔布（IC50=0.07μmol·L-1）相当的抑酶活性。后续动物模型实验发现化合物35和36在小鼠体内活性明显优于阳性药物塞来昔布，其半数有效量（median effective dose，ED50）分别为0.44和0.12mg kg-1，而塞来昔布ED50为10.8mg·kg-1。构效关系分析表明，在引入甲磺酰基药效团后，化合物的活性有所提高。 靶标模板诱导的合成中除了常见的点击反应以外，2020年，Mancini等[70]首次报道了蛋白模板诱导的原位四组分Ugi反应。Mancini等[70]利用endothiapepsin蛋白为模板，选取羧基砌块库、氨基砌块库、氰基砌块库和醛基砌块库合成了48个化合物，其中化合物37和38对endothiapepsin蛋白表现出了微摩尔级的活性，其IC50分别为（1.3±0.03）和（3.5±0.1）μmol·L-1。随后，Mancini等[70]又将原位四组分反应成功应用在了细菌β-滑动钳DnaN蛋白模板上，并发现了化合物39和40可以与靶标蛋白相结合，其Kd分别为650和510μmol·L-1。原位四组分反应在2种蛋白模板上的成功丰富了TGS策略中的反应类型。除此之外，Mancini等[70]观察到Ugi反应中的副反应（Pictet-Spengler环合反应）也在原位合成实验中同时发生，因此，基于该类副反应的蛋白模板诱导合成或许又是一种全新的尝试。 值得注意的是，在大多数靶标模板诱导的小分子片段组装中，对酶的纯度要求较高，这也限制了该技术的广泛应用。2018年，Antti等[71]报道了在细胞内的蛋白模板诱导合成，为那些难以纯化的蛋白模板提供了新的思路。 综上所述，虽然TGS展现出了其在苗头化合物发现中的高效性，但该技术依旧存在诸多限制。比如对蛋白质与目标小分子复合物的分析技术还未完全成熟，虽然现阶段可通过共晶、核磁共振以及HPLC-MS等技术对蛋白质-小分子复合物进行分析，但这几类技术需要耗费大量的时间。除此之外，文献中报道的能用于TGS方法的反应比较匮乏 ，常见的反应有：点击反应、酰胺缩合反应、环氧乙烷的开环反应等。因此，新的反应类型和新型检测技术亟需被发现。 5 结语与展望 参考文献： [1] Reymond J L. The chemical space project[J]. Acc Chem Res, 2015,48(3): 722-730. [2] Jiang X Y, Hao X, Jing L L, et al. Recent        applications of click chemistry in drug discovery[J]. Expert Opin Drug Discov, 2019, 14(8):779-789. [3] Coumar MS, Chu C Y, Lin C W, et al. Fast-forwarding hit to lead:aurora and epidermal growth factor receptor kinase inhibitor lead identification[J]. J Med Chem, 2010, 53(13): 4980-4988. [4] Müller T J J. Multi-component synthesis of fluorophores via catalytic generation of alkynoyl intermediates[J/OL]. Drug Discov Today Technol, 2018, 29: 19-26[2020-10-21]. https://doi.org/10.1016/j.ddtec.2018.06.003. [5] Gerber-Lemaire S, Popowycz F, Rodríguez-García E, et al. An efficient combinatorial method for the discovery of glycosidase inhibitors[J]. Chembiochem, 2002, 3(5): 466-470. [6] Shih J C, Chen K, Ridd M J. Monoamine oxidase: from genes to behavior[J/OL]. Annu Rev Neurosci, 1999, 22:197-217[2020-10-21].https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2844879/. DOI:10.1146/annurev.neuro.22.1.197. [7] Berry M D, Juorio A V, Paterson I A. The functional role of monoamine oxidases A and B in the mammalian central nervous system[J]. Prog Neurobiol, 1994, 42(3): 375-391. [8] Binda C, Newton-Vinson P, Hubálek F, et al. Structure of human monoamine oxidase B, a drug target for the treatment of neurological disorders[J]. Nat Struct Biol, 2002, 9(1): 22-26. [9] Jia W Z, Cheng F, Zhang Y J, et al. Rapid synthesis of flavone-based monoamine oxidase (MAO) inhibitors targeting two active sites using click chemistry[J]. Chem Biol Drug Des, 2017, 89(1): 141-151. [10] Platt F M, d’Azzo A, Davidson B L, et al. Lysosomal storage diseases[J/OL]. Nat Rev Dis Primers, 2018, 4(1): 27[2020-10-21]. https://www.nature.com/articles/s41572-018-0025-4. DOI: 10.1038/s41572-018-0025-4. [11] Martínez-Bailén M, Carmona A T, Moreno-Clavijo E, et al. Tuning of β-glucosidase and α-galactosidase inhibition by generation and in situ screening of a library of pyrrolidine-triazole hybrid molecules[J/OL]. Eur J Med Chem, 2017, 138: 532-542[2020-10-21]. https://doi. org/10.1016/j.ejmech.2017.06.055. [12] Carmona A T, Carrión-Jiménez S, Pingitore V, et al. Harnessing pyrrolidine iminosugars into dimeric structures for the rapid discovery of divalent glycosidase inhibitors[J/OL]. Eur J Med Chem, 2018, 151:765-776[2020-10-21]. https://doi.org/10.1016/j.ejmech.2018.04.008. [13] Baldursson S, Karanis P. Waterborne transmission of protozoan parasites: review of worldwide outbreaks-an update 2004–2010[J].Water Res, 2011, 45(20): 6603-6614. [14] Troeger H, Epple H J, Schneider T, et al. Effect of chronic giardia lamblia infection on epithelial transport and barrier function in human duodenum[J]. Gut, 2007, 56(3): 328-335. [15] Hanevik K, Wensaas K A, Rortveit G, et al. Irritable bowel syndrome and chronic fatigue 6 years after giardia infection: a controlled prospective cohort study[J]. Clin Infect Dis, 2014, 59(10): 1394-1400. [16] Löfmark S, Edlund C, Nord C E. Metronidazole is still the drug of choice for treatment of anaerobic infections[J]. Clin Infect Dis, 2010,50(Suppl 1): S16-S23. [17] Kim W J, Korthals K A, Li S H, et al. Click chemistry-facilitated structural diversification of nitrothiazoles, nitrofurans, and nitropyrroles enhances antimicrobial activity against giardia lamblia[J/OL].Antimicrob Agents Chemother, 2017, 61(6): e02397. https://www.ncbi. nlm.nih.gov/pmc/articles/PMC5444119/. DOI:10.1128/AAC.02397-16. [18] Cole S P C. Targeting multidrug resistance protein 1 (MRP1, ABCC1): past, present, and future[J/OL]. Annu Rev Pharmacol Toxicol,2014,54:95-117[2020-10-21]. https://doi.org/10.1146/annurev-pharmtox-011613-135959. [19] Cole S P, Bhardwaj G, Gerlach J H, et al. Overexpression of a transporter gene in a multidrug-resistant human lung cancer cell line[J]. Science, 1992, 258(5088): 1650-1654. [20] Wong I L K, Zhu X Z, Cha K F, et al. Discovery of novel flavonoid dimers to reverse multidrug resistance protein 1 (MRP1, ABCC1) mediated drug resistance in cancers using a high throughput platform with “click chemistry”[J]. J Med Chem, 2018, 61(22): 9931-9951. [21] Xu X, Meng Y, Li L, et al. Overview of the development of glutaminase inhibitors: achievements and future directions[J]. J Med Chem, 2019, 62(3): 1096-1115. [22] Xu X, Kuang Z J, Han J, et al. Development and characterization of a fluorescent probe for GLS1 and the application for high-throughput screening of allosteric inhibitors[J]. J Med Chem, 2019, 62(21): 9642- 9657. [23] He R J, Yu Z H, Zhang R Y, et al. Exploring the existing drug space for novel pTyr mimetic and SHP2 inhibitors[J]. ACS Med Chem Lett,2015, 6(7): 782-786. [24] Jing L L, Wu G C, Hao X, et al. Identification of highly potent and selective Cdc25 protein phosphatases inhibitors from miniaturization click-chemistry-based combinatorial libraries[J/OL]. Eur J Med Chem, 2019, 183: 111696[2020-10-21]. https://doi.org/10.1016/j.ejmech.2019.111696. [25] Kang D W, Feng D, Jing L L, et al. In situ click chemistry-based rapid discovery of novel HIV-1 NNRTIs by exploiting the hydrophobic channel and tolerant regions of NNIBP[J/OL]. Eur J Med Chem, 2020, 193: 112237[2020-10-21]. https://doi.org/10.1016/j.ejmech.2020.112237. [26] Sangouard G, Zorzi A, Wu Y T, et al. Picomole-scale synthesis and screening of macrocyclic compound libraries by acoustic liquid transfer[J]. Angew Chem Int Ed Engl, 2021, 60(40): 21702-21707. [27] Agard N J, Prescher J A, Bertozzi C R. A strain-promoted [3+2] azide-alkyne cycloaddition for covalent modification of biomolecules in living systems[J]. J Am Chem Soc, 2004, 126(46): 15046-15047. [28] Qian L H, Zhang C J, Wu J, et al. Fused bicyclic caspase-1 inhibitors assembled by copper-free strain-promoted alkyne–azide cycloaddition (SPAAC)[J]. Chemistry, 2017, 23(2): 360-369. [29] Osipyan A, Shaabani S, Warmerdam R, et al. Automated, accelerated nanoscale synthesis of iminopyrrolidines[J]. Angew Chem Int Ed Engl,2020, 59(30): 12423-12427. [30] Gao K, Shaabani S, Xu R X, et al. Nanoscale, automated, high throughput synthesis and screening for the accelerated discovery of protein modifiers[J]. RSC Med Chem, 2021, 12(5): 809-818. [31] Sutanto F, Shaabani S, Oerlemans R, et al. Combining high-throughput synthesis and high-throughput protein crystallography for accelerated hit identification[J]. Angew Chem Int Ed Engl, 2021, 60(33): 18231-18239. [32] Gesmundo N J, Sauvagnat B, Curran P J, et al. Nanoscale synthesis and affinity ranking[J]. Nature, 2018, 557(7704): 228-232. [33] Reid G E. 2019 ASMS “Emerging Investigators” focus[J]. J Am Soc Mass Spectrom, 2019, 30(8): 1339-1342. [34] Schena M, Shalon D, Davis R W, et al. Quantitative monitoring of gene expression patterns with a complementary DNA microarray[J]. Science, 1995, 270(5235): 467-470. [35] Uttamchandani M, Yao S Q. The expanding world of small molecule microarrays[J/OL]. Methods Mol Biol, 2017, 1518: 1-17[2020-10-21]. https://link.springer.com/protocol/10.1007%2F978-1-4939-6584-7_1.DOI: 10.1007/978-1-4939-6584-7_1. [36] Foong Y M, Fu J Q, Yao S Q, et al. Current advances in peptide and small molecule microarray technologies[J]. Curr Opin Chem Biol,2012, 16(1/2): 234-342. [37] Uttamchandani M, Walsh D P, Yao S Q, et al. Small molecule microarrays: recent advances and applications[J]. Curr Opin Chem Biol, 2005, 9(1): 4-13. [38] He X G, Gerona-Navarro G, Jaffrey S R. Ligand discovery using small molecule microarrays[J]. J Pharmacol Exp Ther, 2005, 313(1): 1-7. [39] Takaoka M, Miki Y. BRCA1 gene: function and deficiency[J]. Int J Clin Oncol, 2018, 23(1): 36-44. [40] Na Z K, Pan S J, Uttamchandani M, et al. Discovery of cell-permeable inhibitors that target the BRCT domain of BRCA1 protein by using a small-molecule microarray[J]. Angew Chem Int Ed Engl, 2014, 53(32):8421-8426. [41] Peng B, Thorsell A G, Karlberg T, et al. Small molecule microarray based discovery of PARP14 inhibitors[J]. Angew Chem Int Ed Engl,2017, 56(1): 248-253. [42] Medina P P, Nolde M, Slack F J. OncomiR addiction in an in vivo model of microRNA-21-induced pre-B-cell lymphoma[J]. Nature,2010, 467(7311): 86-90. [43] Connelly C M, Boer R E, Moon M H, et al. Discovery of inhibitors of microRNA-21 processing using small molecule microarrays[J]. ACS Chem Biol, 2017, 12(2): 435-443. [44] Rosenfeld A, Brehm M, Welle A, et al. Solid-phase combinatorial synthesis using microarrays of microcompartments with light-induced on-chip cell screening[J/OL]. Mater Today Bio, 2019, 3: 100022[2020- 10-21]. https://doi.org/10.1016/j.mtbio.2019.100022. [45] Gosalia D, Diamond S L. Nanodroplet chemical microarrays and label-free assays[J/OL]. Methods Mol Biol, 2010, 669: 69-78[2020-10-21].https://link.springer.com/protocol/10.1007%2F978-1-60761-845-4_6.DOI: 10.1007/978-1-60761-845-4_6. [46] Feng W Q, Ueda E, Levkin P A. Droplet microarrays: from surface patterning to high-throughput applications[J/OL]. Adv Mater, 2018, 30(20):e1706111[2020-10-21]. https://onlinelibrary.wiley.com/doi/10.1002/adma.201706111. [47] Haidas D, Bachler S, Köhler M, et al. Microfluidic platform for multimodal analysis of enzyme secretion in nanoliter droplet arrays[J].Anal Chem, 2019, 91(3): 2066-2073. [48] Kobel S, Lutolf M. High-throughput methods to define complex stem cell niches[J]. Biotechniques, 2010, 48(4): ix-xxii. [49] Laustriat D, Gide J, Peschanski M. Human pluripotent stem cells in drug discovery and predictive toxicology[J]. Biochem Soc Trans, 2010,38(4): 1051-1057. [50] Seki T, Fukuda K. Methods of induced pluripotent stem cells for clinical application[J]. World J Stem Cells, 2015, 7(1): 116-125. [51] Kitambi S S, Chandrasekar G. Stem cells: a model for screening,discovery and development of drugs[J/OL]. Stem Cells Cloning, 2011,4: 51-59[2020-10-21]. https://doi.org/10.2147/SCCAA.S16417. [52] Nirmalanandhan V S, Sittampalam G S. Stem cells in drug discovery, tissue engineering, and regenerative medicine: emerging opportunities and challenges[J]. J Biomol Screen, 2009, 14(7): 755-768. [53] Tronser T, Popova A A, Jaggy M, et al. Droplet microarray based on patterned superhydrophobic surfaces prevents stem cell differentiation and enables high-throughput stem cell screening[J/OL]. Adv Healthc Mater, 2017, 6(23)[2020-10-21]. https://doi.org/10.1002/  adhm.201700622. [54] Brehm M, Heissler S, Afonin S, et al. Nanomolar synthesis in droplet microarrays with UV-triggered on-chip cell screening[J/OL]. Small,2020, 16(10): e1905971[2020-10-21]. https://onlinelibrary.wiley.com/doi/full/10.1002/smll.201905971. [55] Zhang L, Feng Q, Wang J L, et al. Microfluidic synthesis of rigid nanovesicles for hydrophilic reagents delivery[J]. Angew Chem Int Ed Engl, 2015, 54(13): 3952-3956. [56] Bruijns B, van Asten A, Tiggelaar R, et al. Microfluidic devices for forensic DNA analysis: a review[J/OL]. Biosensors, 2016, 6(3):41[2020-10-21]. https://doi.org/10.3390/bios6030041. [57] Liu Y, Jiang X Y. Why microfluidics? Merits and trends in chemical synthesis[J]. Lab Chip, 2017, 17(23): 3960-3978. [58] Song P S, Ma Z, Ma J, et al. Recent progress of miniature MEMS pressure sensors[J/OL]. Micromachines, 2020, 11(1): 56[2020-10-21].https://doi.org/10.3390/mi11010056. [59] Abgrall P, Gué A M. Lab-on-chip technologies: making a microfluidic network and coupling it into a complete microsystem—a review[J]. J of Micromech and Microeng, 2007, 17(5): R15-R49. [60] Cheng Y T, Lin L. MEMS packaging and thermal issues in reliability[M]// Bhushan B, Springer Handbook of Nanotechnology.Berlin, Heidelberg: Springer, 2004: 1111-1132. [61] Chew Y T, Xia H M, Shu C. Fluid micromixing technology and its applications for biological and chemical processes[M]// IFMBE Proceedings. Berlin, Heidelberg: Springer, 2007: 16-20. [62] Lombardi D, Dittrich P S. Advances in microfluidics for drug discovery[J]. Expert Opin Drug Discov, 2010, 5(11): 1081-1094. [63] Grisoni F, Huisman B J H, Button A L, et al. Combining generative artificial intelligence and on-chip synthesis for de novo drug design[J/OL]. Sci Adv, 2021, 7(24): 3338[2020-10-21]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8195470/. DOI: 10.1126/sciadv.abg3338. [64] Bosc D, Camberlein V, Gealageas R, et al. Kinetic target-guided synthesis: reaching the age of maturity[J]. J Med Chem, 2020, 63(8): 3817-3833. [65] Schmidt M F, Rademann J. Dynamic template-assisted strategies in fragment-based drug discovery[J]. Trends Biotechnol, 2009, 27(9):512-521. [66] Wu G C, Zhao T, Kang D W, et al. Overview of recent strategic advances in medicinal chemistry[J]. J Med Chem, 2019, 62(21): 9375-9414. [67] Unver M Y, Gierse R M, Ritchie H, et al. Druggability assessment of targets used in kinetic target-guided synthesis[J]. J Med Chem, 2018,61(21): 9395-9409. [68] Wang Y, Zhu J J, Zhang L W. Discovery of cell-permeable O-GlcNAc transferase inhibitors via tethering in situ click chemistry[J]. J Med Chem, 2017, 60(1): 263-272. [69] Bhardwaj A, Kaur J, Wuest M, et al. In situ click chemistry generation of cyclooxygenase-2 inhibitors[J/OL]. Nat Commun, 2017,8(1): 1[2020-10-21]. https://www.ncbi.nlm.nih.gov/pmc/articles/ PMC5431875/. DOI: 10.1038/s41467-016-0009-6. [70] Mancini F, Unver M Y, Elgaher W A M, et al. Protein-templated hit identification through an ugi four-component reaction[J]. Chemistry,2020, 26(64): 14585-14593. [71] Antti H, Sellstedt M. Cell-based kinetic target-guided synthesis of an enzyme inhibitor[J]. ACS Med Chem Lett, 2018, 9(4): 351-353. [72] Wang X S, Huang B, Liu X Y, et al. Discovery of bioactive molecules from CuAAC click-chemistry-based combinatorial libraries[J]. Drug Discov Today, 2016, 21(1): 118-132. [73] Huang B, Kang D W, Zhan P, et al. Fragment-based approaches to anti-HIV drug discovery: state of the art and future opportunities[J].Expert Opin Drug Discov, 2015, 10(12): 1271-1281. 三、基于生物活性的分子网络构建用于天然产物生物测定导向分离中先导化合物的发现 （原创  稳妥学长 科研猫猫猫） 一项发表于《Journal of Natural Products》的研究提出了一种名为“生物活性分子网络”的创新策略，通过整合LC-MS/MS分子网络与生物活性评分，成功从天然提取物中快速识别并分离出具有抗病毒活性的先导化合物。该方法为天然药物发现提供了高效、精准的新工具，尤其适用于传统生物活性指导分离中易丢失活性成分的复杂体系。 亮点展示创新方法整合 ：首次将LC-MS/MS分子网络与生物活性评分相结合，实现活性分子的可视化预测与快速识别高效去重复与注释 ：利用GNPS公共谱库与分子网络拓扑，加速已知化合物的去重复和未知类似物的结构推断精准目标分离 ：通过生物活性评分锁定目标分子，避免传统分离中活性成分的丢失，成功分离出抗CHIKV病毒的二萜酯验证与应用广泛 ：在Euphorbia dendroides乳胶提取物中成功发现新型抗病毒先导化合物，方法适用于各类天然产物筛选与代谢组学研究开源工具普及 ：工作流程基于开源平台（GNPS、MZmine2、Jupyter），易于复现与推广 生物活性分子网络 研究背景 天然产物一直是药物发现的重要来源，传统生物活性指导分离方法在早期提取物筛选中表现良好，但在后续分离过程中常出现活性丢失、目标不明、重复分离已知化合物等问题，导致资源浪费与效率低下。尤其是在复杂植物提取物中，活性成分可能因含量低、协同作用或分离过程中降解而难以捕获。 近年来，基于质谱的分子网络技术（如GNPS）在天然产物去重复和结构注释中显示出强大能力，但其与生物活性数据的直接整合仍存在空白。本研究旨在填补这一空白，提出“生物活性分子网络”新策略，实现活性分子的快速定位与靶向分离。研究方法样品制备与分馏 ：从Euphorbia dendroides乳胶中提取总提取物，并进行色谱分馏，获得18个组分LC-MS/MS分析 ：对每个组分进行非靶向LC-MS/MS分析，获取质谱数据生物活性评分计算 ：基于组分中分子的相对丰度与抗CHIKV病毒活性（选择性指数SI），计算每个分子的生物活性评分（Pearson相关系数）分子网络构建与可视化 ：使用GNPS平台构建MS/MS分子网络，并通过Cytoscape将生物活性评分映射至网络节点靶向分离与结构鉴定 ：根据网络预测，对高评分分子进行靶向制备分离，并通过NMR、HRMS等进行结构鉴定 图1：生物活性天然产物发现流程。经典生物活性测定导向的分离方法工作流程(A)及整合生物活性分子网络的方法工作流程(B)。（生物活性分子网络工作流程示意图，整合LC-MS/MS分析、生物活性评分与分子网络可视化）研究结果1. 生物活性分子网络构建与评分预测 通过对18个组分进行LC-MS/MS分析，共检测到285个分子特征。通过生物活性评分计算，其中24个分子（8.4%）显示出与抗CHIKV活性显著相关的评分（r > 0.85，p < 0.03）。这些高评分分子在分子网络中以大节点形式突出显示。 图2：Euphorbia dendroides乳胶提取物的生物活性分子网络。节点大小表示生物活性评分，绿色节点表示预测的活性分子家族2. 目标分子识别与结构注释 分子网络分析显示，两个主要分子家族（MN1和MN2）中，MN2包含多个具有高生物活性评分的未知节点。通过GNPS谱库搜索与碎片模式分析，推测这些分子属于脱氧佛波醇酯类二萜。其中m/z 591.326、589.311和563.296的三个特征被选为靶向分离目标。 图3：通过生物活性分子网络指导分离得到的四个新型脱氧佛波醇酯类化合物（20-23）结构3. 靶向分离与抗病毒活性验证 从活性组分F13中成功分离出四个新型4β-脱氧佛波醇酯（20-23）。抗CHIKV病毒实验表明，化合物21和22具有显著的亚微摩尔级抑制活性（EC₅₀分别为0.40 μM和0.60 μM），且选择性指数较高（SI=34和41）。化合物20和23活性较低，与生物活性评分预测一致。讨论与意义 本研究提出的“生物活性分子网络”策略，成功解决了传统生物活性指导分离中活性成分易丢失、目标不明确的问题。通过将分子网络与生物活性数据深度融合，研究者能够在分离前快速锁定候选活性分子，显著提高发现效率。 该方法不仅适用于天然产物药物发现，还可推广至代谢组学、化学生态学、暴露组学等领域，用于关联化学特征与生物表型、环境变量或暴露水平。研究局限性 生物活性评分的准确性依赖于生物实验的重复性与样本数量 MS/MS谱图注释仍受限于公共谱库的覆盖度 低丰度或易降解活性分子的检测仍具挑战结论 生物活性分子网络作为一种创新的集成策略，为天然产物活性分子的快速发现提供了强大工具。本研究通过对Euphorbia dendroides乳胶提取物的成功应用，不仅发现了新型抗CHIKV病毒先导化合物，也为全球天然产物研究者提供了一套开源、可复现的工作流程，有望推动天然药物发现进入“精准、高效”的新阶段。参考文献： Nothias, L.-F.; Nothias-Esposito, M.; da Silva, R.; et al. Bioactivity-Based Molecular Networking for the Discovery of Drug Leads in Natural Product Bioassay-Guided Fractionation. J. Nat. Prod. 2018, 81, 758–767.数据来源： GNPS平台（http://gnps.ucsd.edu）、MassIVE公共数据集（MSV000079856） 四、先导化合物与前药:新药开发的双引擎--从分子发现到临床转化的科学逻辑与前沿进展 （原创 Rollin/腾元宝 制药工程师之家）新药研发是生命科学与化学、生物学、计算机科学交叉融合的系统工程，其核心挑战在于“如何在万亿级分子库中精准定位有效分子，并赋予其成药属性”。在这一过程中，先导化合物（Lead Compound）与前药（Prodrug）分别承担“活性分子发现”与“成药性优化”的关键角色，构成新药开发的“双引擎”。二者既独立又协同：先导化合物是药物发现的起点，通过验证靶点结合能力与生物活性为后续开发奠定基础；前药则是解决其成药瓶颈（如吸收差、毒性高、代谢不稳定）的“分子外衣”，通过化学修饰提升药物在体内的药代动力学（PK）与药效学（PD）性质。 近二十年来，随着结构生物学、计算化学与人工智能（AI）技术的突破，先导化合物的发现从“经验试错”转向“理性设计”，前药的设计从“通用修饰”升级为“智能响应”，二者协同推动肿瘤、病毒感染、神经退行性疾病等领域的突破性进展。 本文试图将系统解析二者的科学定义、逻辑差异与关联，结合近本世纪以来的典型案例（附关键结构特征与数据库检索路径），展望基于二者创新的新技术与发展方向，为理解现代药物研发提供系统性视角。一、定义与本质：从“活性验证”到“成药优化”的科学边界（一）先导化合物：药物发现的“种子分子” 先导化合物是指通过天然产物提取、高通量筛选（HTS）、虚拟筛选或合理药物设计（如基于结构的药物设计SBDD、片段筛选FBDD）获得的具有特定生物活性（如抑制酶活性、激活受体）的初始分子。 其核心特征是“活性优先，成药性待优化”——虽具备靶点结合能力与初步药理作用，但通常存在水溶性差、生物利用度低、毒性高或代谢过快等缺陷，需通过结构优化转化为临床候选药物（Clinical Candidate）。 学术定义上，先导化合物需满足三个标准： ① 对目标靶点的结合常数（如Kd）或抑制活性（如IC₅₀）达到μmol/L至nmol/L级； ② 与靶点的结合模式符合“锁钥模型”（如通过X射线晶体学验证）； ③ 在细胞或动物模型中表现出与药理作用一致的效果（如肿瘤细胞增殖抑制率＞50%）。 例如，肿瘤靶向药物开发中，先导化合物往往是能够嵌入致癌蛋白（如EGFR、ALK激酶）ATP口袋的小分子，其对靶点的抑制活性（IC₅₀）是筛选的首要指标，但可能因细胞渗透性不足（如LogP＜1或＞3）或心脏毒性（如hERG通道抑制）限制后续开发。（二）前药：成药性的“分子伪装术” 前药是通过化学修饰将活性药物（原药，Parent Drug）与载体分子共价结合形成的无活性或低活性化合物。其在体内经酶促（如磷酸酯酶、酯酶）或化学（如pH依赖性水解）代谢过程释放原药，从而改善原药的ADME（吸收、分布、代谢、排泄）性质。前药的设计逻辑是“功能分离”——载体负责克服成药障碍（如提高膜通透性、靶向特定组织），原药负责发挥药理作用。根据修饰策略，前药可分为三类（表1）： 类型 定义与特征 典型案例 载体前药（Carrier Prodrug） 载体为亲水性（如聚乙二醇PEG）或脂溶性（如氨基酸、磷脂）分子，通过非共价/共价结合改善溶解性或靶向性 替诺福韦艾拉酚胺（TAF） 生物电子等排体前药（Bioisosteric Prodrug） 利用与原药结构相似的生物电子等排体（如羧酸→酰氧基甲基酯）替代，改变代谢途径 塞来昔布（Celecoxib） 软药（Soft Drug） 设计易被代谢失活的类似物，降低全身毒性（如局部用药后快速代谢为无活性产物） 丙胺卡因（Prilocaine）                                表1 前药分类与典型案例二、区别与关联：从“活性分子”到“临床药物”的逻辑递进 先导化合物与前药的本质区别在于设计目标：前者聚焦“活性验证”，后者解决“成药瓶颈”。二者的关联则体现为药物开发流程的连续性——先导化合物是前药设计的“原料”，而前药优化是先导化合物向临床候选药物转化的关键步骤（图1）。（一）逻辑递进关系 以肿瘤靶向药物开发为例（图1）：第一步：先导化合物发现 通过激酶结构生物学研究（如EGFR的ATP口袋解析）与虚拟筛选（如基于分子对接的化合物库筛选），获得与EGFR活性口袋结合的小分子（如吉非替尼类似物），其IC₅₀达μmol/L级，但水溶性差（<10 μg/mL），口服生物利用度不足20%；第二步：前药设计 分析原药的成药缺陷（如水溶性差），选择载体（如磷酸酯）或修饰位点（如酚羟基），形成前药（如磷酸哌嗪修饰的吉非替尼类似物）；第三步：临床候选药物转化 前药经肠道碱性磷酸酶水解，释放原药，水溶性提升至>100 μg/mL，生物利用度提高至50%以上，最终通过Ⅰ-Ⅲ期临床试验成为上市药物（如奥希替尼）。（二）功能互补性 先导化合物的“活性”是前药设计的起点，而前药的“成药性”是先导化合物临床应用的保障。例如，抗HCV药物索非布韦的母核（2'-脱氧-2'-α-氟-4'-叠氮基尿苷）是先导化合物，其对HCV NS5B聚合酶的抑制活性（EC₅₀=0.5 μM）验证了靶点结合能力；但直接使用该母核时，细胞内三磷酸化效率极低（需三磷酸化才具活性），因此通过引入磷酸酯-连接子修饰（γ-丁内酯-连接子），形成前药索非布韦（GS-7977），显著提高细胞内活性代谢物浓度（三磷酸化形式浓度提升100倍），最终实现口服治愈丙肝的临床价值。三、近二十年案例：从实验室到临床的分子进化案例1：索非布韦（Sofosbuvir）——HCV治愈的“前药革命”（1）背景与挑战 HCV感染是全球重大公共卫生问题，传统干扰素-利巴韦林疗法因副作用大（如骨髓抑制、流感样症状）、疗程长（24-48周）、治愈率低（＜50%）亟需替代方案。HCV复制依赖NS5B RNA聚合酶，但该酶的高变异性导致靶向药物开发困难。（2）科学逻辑与分子设计 索非布韦的成功源于“靶点机制驱动的前药设计”： 靶点机制 HCV NS5B聚合酶的底物是尿苷三磷酸（UTP），因此设计尿苷类似物的前药是关键； 母核选择 选择2'-脱氧-2'-α-氟-4'-叠氮基尿苷作为母核（原药），其氟原子增强代谢稳定性（抑制尿苷胞苷脱氨酶降解），4'-叠氮基增加空间位阻，减少酶识别； 前药修饰 母核的5'-羟基通过γ-丁内酯-连接子与磷酸基团结合（图2A），形成前药GS-7977（索非布韦）。该修饰使分子更易被肝脏CMP激酶识别，经两步磷酸化生成三磷酸化活性代谢物（GS-461203），高效抑制NS5B聚合酶（IC₅₀=0.5 μM）。（3）临床价值 索非布韦于2013年获批，口服生物利用度达80%，联合利巴韦林治疗丙肝的持续病毒学应答（SVR）率超95%，彻底终结了干扰素时代。其设计印证了前药对“提高细胞内活性代谢物浓度”的关键作用（图2B）。 图2 索非布韦（A）与前药修饰逻辑（B）（注：结构可通过PubChem CID: 10185178检索）案例2：奥希替尼（Osimertinib）——EGFR突变肺癌的“精准先导优化”（1）背景与挑战 表皮生长因子受体（EGFR）酪氨酸激酶抑制剂（TKI）是EGFR突变肺癌的一线治疗药物，但第一代TKI（如吉非替尼）易因T790M突变（Cys797→Met797）产生耐药（发生率约50%）。（2）科学逻辑与分子设计 奥希替尼的开发是“先导化合物结构优化”的典范： 先导化合物筛选 基于EGFR T790M突变体的ATP口袋结构（Cys797仍保留但空间位阻增加），筛选出与突变口袋结合的小分子（如化合物A，对T790M IC₅₀=1 μM，野生型IC₅₀=280 nM）； 结构优化 引入3-丙烯酰胺侧链（图3A），通过与T790M突变的疏水口袋形成双氢键（Cys797共价结合+疏水相互作用），将对突变型的选择性提升至1000倍（野生型IC₅₀=280 nM，突变型IC₅₀=1 nM）； 药代优化 苯环间位引入甲氧基（-OCH₃），降低分子极性（LogP=2.5→3.0），提高血脑屏障穿透性（脑脊液药物浓度达血浆的30%），解决肺癌脑转移治疗难题。（3）临床价值 奥希替尼于2015年获批，对T790M突变阳性患者的客观缓解率（ORR）达71%，中位无进展生存期（PFS）为10.1个月，成为肺癌精准治疗的里程碑（图3B）。 图3 奥希替尼（A）与关键修饰位点（B）（注：结构可通过PubChem CID: 442382检索）案例3：DS-8201（Trastuzumab deruxtecan）——ADC药物的“前药偶联革命”（1）背景与挑战 HER2阳性乳腺癌占乳腺癌的20%-30%，传统HER2靶向药物（如曲妥珠单抗）因耐药性（如HER2胞外域突变）限制疗效。抗体-药物偶联物（ADC）通过“抗体-连接子-药物”三元结构，实现药物的肿瘤靶向递送，但传统ADC存在脱靶毒性（如微管抑制剂Doxorubicin的全身毒性）问题。（2）科学逻辑与分子设计 DS-8201的设计体现“前药-抗体协同优化”： 抗体部分 曲妥珠单抗（Trastuzumab），靶向HER2受体的 extracellular domain IV（ECD IV），通过pH依赖性内吞进入肿瘤细胞； 连接子部分 可裂解的四肽连接子（Val-Cit-PABC-PNP），在肿瘤微环境的溶酶体酶（组织蛋白酶B）作用下断裂，避免循环系统中的药物提前释放； 药物部分 拓扑异构酶I抑制剂DXd（exatecan衍生物），通过高药物抗体比（DAR≈8）设计，提高肿瘤杀伤效率（IC₅₀=0.08 nM），同时降低脱靶毒性（正常组织药物浓度仅为肿瘤的1/10）。（3）临床价值 DS-8201于2019年获批，对HER2阳性乳腺癌的ORR达60.9%，中位PFS为16.4个月，成为HER2阳性乳腺癌二线治疗的新标准（图4）。 图4 DS-8201的“抗体-连接子-药物”结构（A）与作用机制（B）（注：结构可通过PubChem CID: 1598120-90-3检索）四、新技术与新方向：从“经验设计”到“理性创造”的范式升级（一）AI驱动的先导化合物发现 传统先导化合物筛选依赖高通量实验（HTS），耗时（5-7年）且成本高（＞20亿美元）。近年来，基于深度学习的AI技术（如图神经网络GNN、生成式对抗网络GAN）通过分析海量生物数据（如蛋白质结构、化合物-靶点相互作用），可快速生成具有潜在活性的候选分子。 典型案例：Insilico Medicine利用AI在21天内设计了纤维化候选药物ISM001-055，其先导化合物的优化效率较传统方法提升70%。AI的核心优势在于： ① 靶点结构预测（如AlphaFold2解析98.5%人类蛋白质结构）； ② 虚拟筛选（如分子对接模拟化合物-靶点结合能）； ③ 从头生成（如GAN生成新分子骨架）。（二）智能响应型前药的“精准触发” 传统前药的代谢触发依赖通用酶（如磷酸酯酶），但肿瘤微环境（低pH、高浓度ATP/谷胱甘肽）或特定疾病状态（如感染时炎症因子升高）为“智能前药”提供了新靶点。 技术方向： pH响应型前药 利用肿瘤组织pH（6.5-7.0）低于正常组织（7.4）的特性，设计羧酸基团修饰的前药（如阿霉素pH敏感脂质体Doxil®），在肿瘤部位质子化后释放药物； 酶响应型前药 针对感染部位的基质金属蛋白酶（MMPs）高表达，设计MMP底物肽修饰的前药（如抗病毒药物普瑞那韦的前药形式），仅在感染部位释放活性成分； 光响应型前药 通过光控基团（如偶氮苯）修饰，在特定波长光照下断裂连接子释放药物（如肿瘤光动力治疗中的前药设计）。（三）重点病种的创新应用方向1. 肿瘤：双特异性前药与ADC升级 开发“双特异性前药”——同时靶向肿瘤抗原（如HER2）与药物载体的前药（如ADC中的连接子前药），提高药物在肿瘤组织的富集度（如DS-8201的DAR优化）。未来方向包括： ① 多靶点前药（同时抑制EGFR与MET）； ② 免疫调节前药（释放PD-1抑制剂激活肿瘤微环境）。2. 神经退行性疾病：BBB穿透性前药 阿尔茨海默病（AD）、帕金森病（PD）的治疗难点在于药物难以穿透血脑屏障（BBB）。利用转铁蛋白受体（TfR）靶向肽修饰前药（如礼来的Donanemab前药），可将无法透过BBB的小分子药物（如Aβ聚集抑制剂）递送至脑内【Donanemab 是一种单克隆抗体，用于治疗阿尔茨海默病。它通过靶向和清除大脑中的β-淀粉样蛋白斑块来发挥作用。】。3. 抗病毒：宿主-病毒共靶向前药 新冠病毒（SARS-CoV-2）的主蛋白酶（Mpro）是关键靶点，但病毒感染后宿主酶（如组织蛋白酶L）的激活为前药设计提供新策略。辉瑞的Paxlovid®（奈玛特韦+利托那韦）即利用利托那韦抑制CYP3A4，延长奈玛特韦（Mpro抑制剂前药）的半衰期（从2小时延长至10小时），提高靶向性。  结  论 先导化合物与前药分别代表了药物开发中“活性发现”与“成药优化”的核心逻辑，二者的协同创新推动了近二十年来肿瘤、病毒性疾病等领域的突破性进展。未来，随着AI、结构生物学与精准医学的发展，先导化合物的发现将更趋高效（如AI生成分子、冷冻电镜解析靶点），前药的设计将更“智能”（如pH/酶/光响应型），二者共同构建的新药开发体系有望加速攻克阿尔茨海默病、耐药菌感染、罕见病等未满足临床需求的重大疾病。 参考文献 Testa B, Mayer D. Prodrugs: Design and Clinical Applications. 3rd ed. Wiley-VCH, 2018.（前药设计的权威专著，涵盖机制、分类与临床案例） Patrick GL. An Introduction to Medicinal Chemistry. 7th ed. Oxford University Press, 2021.（药物化学经典教材，系统讲解先导化合物筛选与优化） 李端. 《药理学》. 人民卫生出版社, 2020.（国内药理学经典教材，包含前药与新药开发的临床视角）近十年高影响力论文 Jorgensen WL. The Many Roles of Computation in Drug Discovery. Science, 2009, 323(5910): 363-367.（AI辅助药物设计的早期综述） Sofosbuvir (GS-7977) for the Treatment of Chronic Hepatitis C Virus Infection. New England Journal of Medicine, 2013, 368(13): 1298-1307.（索非布韦的Ⅲ期临床研究） Cross DA, et al. AZD9291, an Irreversible EGFR TKI, Overcomes T790M-Mediated Resistance to EGFR Inhibitors in Non-Small Cell Lung Cancer. Cancer Discovery, 2014, 4(9): 1046-1061.（奥希替尼的作用机制研究） Modi S, et al. Trastuzumab Deruxtecan in Previously Treated HER2-Positive Breast Cancer. New England Journal of Medicine, 2019, 381(1): 84-93.（DS-8201的Ⅲ期临床研究） Varki A, et al. Designing Carbohydrate-Modified Drugs and Prodrugs for Enhanced Bioavailability. Nature Reviews Drug Discovery, 2015, 14(10): 717-731.（碳水化合物修饰前药的最新进展） PubChem Compound Database. https://pubchem.ncbi.nlm.nih.gov/（查询先导化合物与药物的化学结构、生物活性数据） 10.ChEMBL. https://www.ebi.ac.uk/chembl/（整合生物活性数据的药物化学数据库，支持先导化合物筛选分析） 11. AlphaFold Protein Structure Database. https://alphafold.ebi.ac.uk/（获取靶点蛋白质三维结构，支持基于结构的药物设计） （注：文中涉及化合物的2D/3D结构可通过上述数据库检索，如索非布韦（CID: 10185178）、奥希替尼（CID: 442382）、DS-8201（CID: 1598120-90-3）等。） end 本公众号声明： 1、如您转载本公众号原创内容必须注明出处。 2、本公众号转载的内容是出于传递更多信息之目的，若有来源标注错误或侵犯了您的合法权益，请作者或发布单位与我们联系，我们将及时进行修改或删除处理。 3、本公众号文中部分图片来源于网络，版权归原作者所有，如果侵犯到您的权益，请联系我们删除。 4、本公众号发布的所有内容，并不意味着本公众号赞同其观点或证实其描述。其原创性以及文中陈述文字和内容未经本公众号证实，对本文全部或者部分内容的真实性、完整性、及时性我们不作任何保证或承诺，请浏览者仅作参考，并请自行核实。