- 综合排序
- 最热优先
- 最新优先
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。 正确处理流程正确做法是：在生成PDBQT文件前，删除所有水分子（通常以 HOH 或 WAT 标识），但需保留可能对催化或结合至关重要的结构性水分子（数量极少，通常≤3个）。 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
是通过分子对接、药效团模型匹配等精心挑选的化合物库，库中化合物靶向犬尿氨酸代谢关键酶：indoleamine dioxygenase (IDO)、tryptophandioxygenase (TDO)、3- hydroxyanthranilic acid dioxygenase(3-HAO)等。 Tubulin Library (含3,454种化合物) 靶向微管蛋白的化合物库 微管 (tubulin)是真核细胞中普遍存在且独有的管状细胞器结构，是细胞骨架的重要组成部分，在有丝分裂过程中起重要作用 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 - 来自专栏柠檬先生
jquery 筛选元素 (3)
- list item 1
- list item 2
- list item 3< $("li.third-item").nextAll().addBack().css("background-color",'red') 3 .children() 获得匹配元素集合中每一个元素的子元素，选择器选择性筛选。 .nextAll() 获取每个匹配元素集合中所有下面的同辈元素，选择性筛选的选择器。 选择性筛选的选择器。 .prev([selector]) selector 一个用于匹配元素的选择器字符串。
2.4K70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 - 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
文章亮点 大型的可合成的化合物虚拟数据库涵盖了可用于虚拟筛选的化学空间的较大部分 DNA编码库（DELs）代表了实验筛选的化学空间的更好覆盖，并为虚拟筛选提供了大型训练数据集 定量高通量筛选产生了更高质量的数据 ，可用于虚拟筛选方案的迭代改进 GPU集群和云架构，加上并行化的软件应用和人工智能技术，为虚拟筛选提供更高的性能 实验和虚拟筛选的迭代整合使这些互补的方法发挥了最大的效益 1. 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。 3. 实验筛选 几十年来，高通量筛选技术的发展是由小型化驱动的。在保持精确性的同时，获得更小的样本量，就有可能以更好的成本体积比进行更大的筛选。 图3.
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 基于配体的虚拟筛选（LBVS）详细分析流程Ligand-Based Virtual Screening（LBVS） 的核心思想当我们已经知道一些具有生物活性的配体，但没有可靠的靶蛋白三维结构时，可以利用这些已知活性分子的结构 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DrugIntel
浙江大学团队解码AlphaFold3类方法在虚拟筛选中的应用潜力！
在结构生物学与药物发现的交叉领域，AlphaFold3（AF3）的问世不仅颠覆了蛋白质结构预测范式，更将其能力拓展至蛋白质-配体复合物建模，为结构基虚拟筛选（SBVS）提供了全新技术路径。 一、技术背景：从蛋白质结构预测到虚拟筛选的范式迁移 1. 虚拟筛选 workflow 优化 基于研究结果，可构建高效的AF3类方法应用流程： 优先采用AF3（min-iPAE）或Boltz-2（min-iPAE）作为核心筛选工具，无需依赖外部打分函数； 对新靶点或结构新颖配体库 总结 浙江大学团队的这项研究系统性揭示了AF3类方法在虚拟筛选中的核心价值，通过多数据集、多场景的严格验证，证实了该类方法在筛选性能、结构可靠性与泛化能力上的优势，同时明确了其适用边界与优化方向。 AF3类方法通过“结构预测-质量评估”的一体化逻辑，打破了传统虚拟筛选的技术瓶颈，为药物研发提供了更高效、更精准的计算工具。 参考文献: Chao Shen, et al.
86220编辑于 2025-12-17 - 来自专栏DrugOne
. | 释放 AlphaFold3 类方法在虚拟筛选中的应用潜力
在结构生物学与药物发现的交叉领域，AlphaFold3（AF3）的问世不仅颠覆了蛋白质结构预测范式，更将其能力拓展至蛋白质-配体复合物建模，为结构基虚拟筛选（SBVS）提供了全新技术路径。 一、技术背景：从蛋白质结构预测到虚拟筛选的范式迁移 1. 虚拟筛选 workflow 优化 基于研究结果，可构建高效的AF3类方法应用流程： 优先采用AF3（min-iPAE）或Boltz-2（min-iPAE）作为核心筛选工具，无需依赖外部打分函数； 对新靶点或结构新颖配体库 总结 浙江大学团队的这项研究系统性揭示了AF3类方法在虚拟筛选中的核心价值，通过多数据集、多场景的严格验证，证实了该类方法在筛选性能、结构可靠性与泛化能力上的优势，同时明确了其适用边界与优化方向。 AF3类方法通过“结构预测-质量评估”的一体化逻辑，打破了传统虚拟筛选的技术瓶颈，为药物研发提供了更高效、更精准的计算工具。 参考文献: Chao Shen, et al.
54511编辑于 2025-12-25 - 来自专栏生命科学
MCE 虚拟筛选、小分子化合物库 | MedChemExpress
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。 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。 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。 CYP1A2抑制剂预测的案例可以证明基于配体的ML在先导化合物鉴定中的应用。 (GSK3β) 的抑制剂；Chen等人开发了四种不同的ML模型 (RF、SVM、GBRT和XGBoost) 来预测FGFR4和EGFR靶点的双重抑制剂。
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DrugScience
Nature | 手把手教你搭建大规模药物虚拟筛选平台
VirtualFlow程序包由两个可无缝协作的应用程序组成：VFLP（用于配体准备的模块）和VFVS（用于虚拟筛选的模块）。配体准备和虚拟筛选的过程是分离的。 ? VFVS还可以用于进行多阶段的虚拟筛选，以用于提高筛选的质量。在多阶段方案中，连续执行几个虚拟筛选。从前一个阶段前进到下一个阶段中的化合物数量将依次减少。随之而来的是对接精度和计算成本的增加。 ? 多阶段虚拟筛选的示意以及超大规模虚拟筛选的优势 图片来源 Nature 案例：VFVS 从13亿个分子中虚拟筛选 为了验证VFVS的性能，本文针对KEAP1靶点筛选了13亿种市售化合物的虚拟文库（ZINC 随着虚拟筛选规模的增加，对接后的平均得分也在增加，从而提高了筛选出具有更高结合亲和力的分子的几率。 virtual-flow.org/sites/virtual-flow.org/files/tutorials/VFVS_GK.tar 百度云地址：链接: https://pan.baidu.com/s/1X0Ge3pcM3K_rYN
5.5K30发布于 2021-02-04 - 来自专栏DrugOne
. | 利用Transformer架构进行序列驱动的虚拟筛选
深度学习方法正逐步成为高通量实验筛选的高性价比替代手段。 研究人员将该模型应用于筛选靶向EGFRLTC突变型激酶的抑制剂，并在实验中成功识别出具有纳摩尔级效力的化合物。 讨论 研究人员提出了一种基于序列的虚拟筛选方法，能够预测蛋白-配体复合物的构象空间，克服了传统方法仅依赖游离态结构的局限性。该方法输出结合亲和力及配体与蛋白之间的距离矩阵，从而揭示结合模式。 通过对EGFRLTC的筛选实验，Ligand-Transformer展示出良好的泛化能力与高筛选效率，其速度比传统对接方法提升百倍以上。 综上所述，Ligand-Transformer不仅在亲和力预测上表现优异，还能捕捉自由能景观的变化，是一项具有推广潜力的虚拟筛选新方法，可助力早期药物发现流程的提速与智能化转型。
50310编辑于 2025-08-09 - 来自专栏python3
Apache虚拟主机-3
基于ip的虚拟主机 案例：三个IP分别对应三个域名及三个目录 192.168.124.222 www.abc.com /var/www/abc 192.168.124.223 tec.abc.com
1.1K10发布于 2020-01-14
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