- 综合排序
- 最热优先
- 最新优先
- 来自专栏蛋白质相关
虚拟筛选-2 数据库下载
直接输入分子的smiles和需要搜索的数据库，我选的是有期货的，这样不用担心，买不到药物。
11300编辑于 2026-06-08 分析梳理--linux实现虚拟筛选
作者，Evil Genius今天我们来实现虚拟筛选。第一步，处理蛋白质PDB文件，注意这时候的PDB分子已经进行了去水处理（pymol），其中去除水分子的注意事项。 Gasteiger 部分电荷第二步：对配体分子的处理prepare_ligand.py -l ligand.pdb -o ligand.pdbqt -A hydrogens这个输入的格式包括pdb、mol2、 快速筛选/测试：1 - 4（速度极快，用于排除明显不结合的分子，但可能漏掉最优解）。常规对接：8 - 32（在精度和速度之间取得良好平衡。8是官方默认值，32已经是相当高的精度）。 高精度/最终确认：32 - 64或更高（用于已筛选出的几个关键分子，追求最可靠的结果）。核心原则：exhaustiveness 增加一倍，运行时间也大约增加一倍。 AutoDock Vina：追求“效率”的经验模型Vina的设计哲学从一开始就偏向虚拟筛选——即在短时间内处理成千上万个分子。
43320编辑于 2026-04-13- 来自专栏生命科学
虚拟筛选、高通量实验筛选化合物库 | MedChemExpress
Tubulin Librarys 是通过分子对接、2D 相似性和拓扑类似物搜索、使用分子和结构过滤器等精选的 3,454 种靶向微管蛋白的化合物库。 以上化合物库可以整库用于高通量实验筛选；也可以在 MCE 虚拟筛选后，选择部分高分化合物组库进行实验验证。
84610编辑于 2023-02-28 - 来自专栏柠檬先生
jquery 筛选元素 (2)
$("p").find("span").end().css("border","2px red solid");
2.1K80发布于 2018-01-19 - 来自专栏蛋白质相关
虚拟筛选-1 数据库下载
数据库筛选和下载数据库下载本次主要针对的靶点蛋白的配体是NAD，所以在下载天然产物库的时候，进行初步筛选，首先是结构正确，其次是可以购买到有现货的药物。 但是从底下的图片也可以看到数据库是非常庞大的所以需要进一步筛选优化否则数据库太大对接时间会比较长进一步筛选小分子集进一步的根据亲疏水性纵坐标是亲疏水值越小越亲水越大越疏水然后根据分子量NAD是600多所以筛选的分子一定要可以占据结合腔所以选择的分子量范围是
18910编辑于 2026-06-08 Boltz-2引领AI驱动的药物虚拟筛选技术革新
然而，传统虚拟筛选方法长期受限于预测精度与计算效率的双重瓶颈。 一、传统虚拟筛选的技术瓶颈 传统虚拟筛选技术主要分为两类，均存在难以规避的缺陷。 三、AI驱动虚拟筛选的行业价值与未来方向 Boltz-2的出现，不仅是技术层面的突破，更标志着药物发现领域正迎来从传统方法向AI驱动的范式转移。 填补技术鸿沟传统虚拟筛选方法难以兼顾 大规模筛选 与 高精度预测 的需求。Boltz-2凭借高效的计算能力，在单GPU卡上可实现日均1000个配体的筛选规模【日均应该在1000以下，还是比较慢的】。 未知靶点拓展：验证模型对未参与训练的全新靶点的预测能力，是实现AI虚拟筛选技术广泛应用的关键。 结语 从AlphaFold3到Boltz-2，AI技术正持续重塑生物大分子与小分子相互作用的研究范式。
37910编辑于 2026-01-29- 来自专栏DrugOne
Boltz-2引领AI驱动的药物虚拟筛选技术革新
然而，传统虚拟筛选方法长期受限于预测精度与计算效率的双重瓶颈。 一、传统虚拟筛选的技术瓶颈 传统虚拟筛选技术主要分为两类，均存在难以规避的缺陷。 三、AI驱动虚拟筛选的行业价值与未来方向 Boltz-2的出现，不仅是技术层面的突破，更标志着药物发现领域正迎来从传统方法向AI驱动的范式转移。 填补技术鸿沟传统虚拟筛选方法难以兼顾 大规模筛选 与 高精度预测 的需求。Boltz-2凭借高效的计算能力，在单GPU卡上可实现日均1000个配体的筛选规模【日均应该在1000以下，还是比较慢的】。 未知靶点拓展：验证模型对未参与训练的全新靶点的预测能力，是实现AI虚拟筛选技术广泛应用的关键。 结语 从AlphaFold3到Boltz-2，AI技术正持续重塑生物大分子与小分子相互作用的研究范式。
37820编辑于 2026-02-03 - 来自专栏生命科学
MCE虚拟筛选化合物库 | MedChemExpress
药物筛选是发现药物先导物的重要途径，好的化合物库则是药物筛选的必备武器。MCE 拥有丰富的数据库资源，助力您的药物筛选研究！药物筛选研究与化合物新颖性密切相关。 Discovery Diversity Sets (DDS) 专注于新型化合物结构式，库中收录了近 5 年合成的新型化合物，推荐用于新型化合物的随机筛选。 使用 Tanimoto 相似性方法检测 DDS 中的化合物，并与来自 33 个供应商的 1680 W 种市售筛选化合物进行对比。 以上化合物库可以整库用于高通量实验筛选；也可以在 MCE 虚拟筛选后，选择部分高分化合物组库进行实验验证。 MCE 和 Enamine 强强联合，为广大科研工作者提供前沿和最多样化的化合物库和大规模的虚拟筛选服务。详询当地市场经理或授权经销商。
61220编辑于 2023-02-24 虚拟筛选之化合物批量处理
今天我们来完成虚拟筛选的化合物（配体分子）准备。 分子结构可视化、分子对接、虚拟筛选、化学信息学软件通用交换格式。同时存储原子坐标和连接表，信息完整；.sdf 便于管理化合物库。 需要看分子的3D形状、做分子对接或虚拟筛选：首选 SDF (.sdf) 或 MOL2 (.mol2)。 研究对象是蛋白质、DNA，或做分子对接需要蛋白结构：必须使用 PDB (.pdb)。 虚拟筛选离不开分子对接，分子对接离不开分子文件，分子文件的处理离不开openbabel。这个软件开源，不需要收取任何费用，支持win以及linux。 --gen3d:生成3D构像一般用于smile等只有2D结构的文件，转换为3D带有空间结构的构象。-m:一般用于被转换的文件中有多个分子。转换后文件将这些分子单独保存(虚拟筛选经常使用)。
36720编辑于 2026-04-15- 来自专栏分子生物和分子模拟计算
除草剂小分子的虚拟筛选
以质体醌生物合成酶为靶点，使用VINA软件，小分子采用ZINC的数据库，300万个类药小分子。
77920发布于 2018-07-03 - 来自专栏智药邦
在hit发现中最大限度地整合虚拟筛选和实验筛选
2. 虚拟筛选 在计算能力迅速提高的同时，虚拟筛选最初是作为高通量筛选的一种廉价替代方法出现的，它释放了比实际可用的更广泛的（虚拟）化学空间。 对ZINC15数据库的类lead子集（2.35亿个化合物）进行筛选后，发现了SARS-CoV-2主要蛋白酶的强效、非共价抑制剂。 通过对400多亿个化合物进行虚拟筛选，发现了新的SARS-CoV-2主要蛋白酶抑制剂，证明了Deep Docking的工作流程，今年早些时候在Nature Protocols上发表了对这种方法的指导性介绍 图2. 采用DEL库的一般药物发现工作流程 最后，HTS也不能免于近年来的主要科学趋势，即人工智能（AI）的扩展。在高通量筛选中，人工智能驱动的技术的主要切入点是设计更智能的筛选。 发现新的SETD2抑制剂的分步筛选工作流程 其他工作采用不同筛选步骤的分步方案，例如，Castillo-González等人在发现G-四联体（G4）稳定剂配体时，将严格制定的QSAR模型作为早期筛选步骤
1.3K20编辑于 2022-11-16 课后补充--基于配体的虚拟筛选（LBVS）
作者，Evil Genius关于虚拟筛选从来不是盲目的把各种配体分子放进去分析，而是要在配体库中基于结构、官能团、ADME进行初步筛选，这其中要求我们有较好的基础研究，虚拟筛选主要分为两种基于结构的虚拟筛选 ：Structure-Based Virtual Screening (SBVS)基于配体的虚拟筛选：Ligand-Based Virtual Screening (LBVS)这一篇我们来详细分析一下基于配体的虚拟筛选 实际工作中经常采用多级筛选，例如先用快速 2D similarity/fingerprint 缩小数据库，再使用 3D shape/pharmacophore 和 QSAR 进一步筛选。 这也是为什么实际虚拟筛选经常加入scaffold diversity / chemical diversity控制。 课后补充--基于配体的虚拟筛选（LBVS）
9820编辑于 2026-09-22课后补充--基于结构的虚拟筛选（SBVS）
关于虚拟筛选从来不是盲目的把各种配体分子放进去分析，而是要在配体库中基于结构、官能团、ADME进行初步筛选，这其中要求我们有较好的基础研究，虚拟筛选主要分为两种基于结构的虚拟筛选：Structure-Based Virtual Screening (SBVS)基于配体的虚拟筛选：Ligand-Based Virtual Screening (LBVS)学习呢，其实是一个成本最低的事情，就是需要时间来研究，最怕半途而废 这一篇我们来详细分析一下基于结构的虚拟筛选（SBVS）。 九、一个实际的虚拟筛选结果假设筛选：10,000 个化合物得到：RankLigandVina Affinity1Ligand_08321-10.22Ligand_02145-9.83Ligand_06432 Consensus docking 和 rescoring 已经被广泛用于高通量虚拟筛选流程。
8620编辑于 2026-09-21- 来自专栏机器学习之禅
机器学习之特征筛选（2）
继上篇的介绍了特征筛选中的TF-IDF与信息增益后，本篇继续介绍卡方检验和互信息。
52820编辑于 2022-07-11 - 来自专栏生命科学
MCE 虚拟筛选、小分子化合物库 | MedChemExpress
（含 47,040 种化合物）高血脑屏障穿透率的小分子化合物数据库 CNS library 精选具有低极性表面积(TPSA< 70 Å2) 以上化合物库可以整库用于高通量实验筛选；也可以在MCE 虚拟筛选后，选择部分高分化合物组库进行实验验证。 MCE 和 Enamine 强强联合，为广大科研工作者提供前沿和最多样化的化合物库和大规模的虚拟筛选服务。详询当地市场经理或授权经销商。
68330编辑于 2023-02-27 - 来自专栏科研猫
Advanced Science：miRNA靶点天然产物虚拟筛选策略
在明确了虚拟筛选策略以后，就需要考虑供筛选的小分子化合物的来源。 基于知识途径和基于结构途径靶向miRNA-mRNA-AGO复合体的虚拟筛选模型。a)基于知识途径的虚拟筛选方法原理图。b)基于结构途径的虚拟筛选方法原理图。 张保亭教授介绍：我们与香港浸会大学张戈教授和吕爱平教授合作，应用上述虚拟筛选策略在天然产物库中针对参与骨代谢疾病发生发展的miRNA靶点开展了高通量的虚拟筛选和实验验证的工作。 令人产生兴趣的是同一个miRNA214，作用于不同的mRNA（在成骨细胞是ATF4 mRNA，在破骨细胞是TRAF3 mRNA），虚拟筛选获得打分高值的化合物在结构上存在巨大差异，提示上述筛选策略在天然产物库中的虚拟筛选具有高度特异性 包括1）肌肉萎缩性疾病（增龄性肌肉减少症、失应力性肌肉萎缩）的非编码分子靶点的研究及针对此类靶点的天然产物药物发现；2）针对骨骼疾病中非编码核酸靶点的虚拟筛选计算及天然产物的药物发现；3）靶蛋白与适配子相互作用的结构生物学研究
1.9K21发布于 2020-06-04 - 来自专栏智药邦
Drug Discov Today｜虚拟筛选中的人工智能
虚拟筛选 (VS) 是实验性HTS的对应计算方法，即测试化学文库中的化合物对可能与特定疾病有治疗意义的生物分子靶点的活性。 虚拟筛选 (VS) 的两个主要组成部分和不同类型的评分函数 机器学习 (ML) 评分函数分为基于配体 (或基于描述符) 的和基于结构的，取决于对配体单独使用描述符，或对靶点和配体都使用描述符。 图2. AI 驱动的基于配体和基于结构的虚拟筛选工作流程 在SBML或SBDL的情况下，蛋白质-配体复合物结构和抑制常数的数据集被用来开发模型。 表2展示了基于人工智能的VS研究，其中的模型得到了进一步的实验验证。 表2. 使用机器和深度学习方法的虚拟筛选研究中的hit识别 基于配体的ML/DL模型 文章讨论了多个案例。 Yang等人使用三种不同的指纹 (MACCS、ECFP和Mol2Vec) 和XGBoost算法，开发了用于JAK2抑制剂分类和抑制潜力预测的ML模型。
1.4K10编辑于 2022-06-08 - 来自专栏DrugOne
. | 基于结构的虚拟筛选指南
报道人 | 于洲 基于结构的虚拟筛选已经被广泛用于发现各种治疗靶点的活性分子。随着公开的化学品和蛋白质数据集数量和规模的增加，这些数据集中也包含了越来越多的生物活性数据。 人工智能尤其是机器学习，包括深度学习，已经成功利用这些数据集为具有三维原子结构信息的靶点建立虚拟筛选所需的评分函数。 本文希望通过实用的实例为读者提供如何构建更优异的虚拟筛选评分函数的指导，包括数据增强、算法选择等方面的经验。 结果显示，在（EF1%和NEF1%）这两个指标上，每个ML算法的虚拟筛选性能变化都在很小的范围内。 这进一步证明了这种特异性模型在结构基于虚拟筛选中的优势，以及使用实验化合物和人工生成的非活性分子进行训练的重要性。
83920编辑于 2023-10-24 - 来自专栏cloudskyme
虚拟化技术（2）——存储虚拟化
根据在I/O路径中实现虚拟化的位置不同，虚拟化存储可以分为主机的虚拟存储、网络的虚拟存储、存储设备的虚拟存储。根据控制路径和数据路径的不同，虚拟化存储分为对称虚拟化与不对称虚拟化。 三层模型 根据云存储系统的构成和特点，可将虚拟化存储的模型分为三层：物理设备虚拟化层、存储节点虚拟化层、存储区域网络虚拟化层。 这个虚拟化层由存储节点虚拟模块在存储节点内部实现，对下管理按需分配的存储设备，对上支持存储区域网络虚拟化层。 这个虚拟化层由虚拟存储管理模块在虚拟存储管理服务器上实现，以带外虚拟化方式管理虚拟存储系统的资源分配，为虚拟磁盘管理提供地址映射、查询等服务。 利用虚拟化技术，可以在统一的虚拟化基础架构中，实现跨数据中心的虚拟化管理。 政府信息系统：政府数据存储系统的建设正受到前所未有的重视。
8.4K60发布于 2018-03-20 破解 AlphaFold2 的静态构象困局：AFsample2T 让 GPCR 虚拟筛选更上一层楼
· GPCR · 虚拟筛选 · MSA 蒙版 · 构象采样 · 分子对接 一、研究背景 1.1 AF2 的里程碑意义与内在局限 AlphaFold2（AF2）在 CASP14 评估中以压倒性优势超越传统方法 多项回顾性评估均表明，AF2 模型在 GPCR 虚拟筛选中的表现系统性差于实验结构，提示结合口袋的精细描述是制约其药物发现应用的核心瓶颈。 预测局部距离差异检验）和 PAE（预测比对误差）评估模型置信度 • 使用 MDTraj 计算 RMSF（均方根波动）评估集成构象多样性 • 使用 Schrödinger SiteMap 计算口袋体积 3.2 虚拟筛选评估 4.3 虚拟筛选：配体引导选模型可媲美实验结构 中位性能对比（不使用配体引导，随机选模型）： 指标 实验结构 AF2 AFsample2T aLogAUC 中位值 11.2 4.4 4.2 EF1% 中位值 "，而是有针对性地在结合口袋区域释放进化约束，并通过严格的回顾性虚拟筛选评估验证了方法的实用性。
31610编辑于 2026-06-04
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号