1. 虚拟筛选库工程导论

虚拟筛选库并不是一个简单的化合物文件，而是一套经过系统设计、清洗、标准化与条件过滤后，能够直接用于对接、药效团匹配、相似性搜索或机器学习打分的可计算化合物集合。它的本质是把“化学空间”中无限或海量的可能分子，压缩为与靶点、项目阶段和计算资源相匹配的有限候选集。理解这一点，是进入虚拟筛选库构建与过滤工程的第一步。

在药物发现链条中，虚拟筛选库位于“靶点确认”与“实验验证”之间。上游承接靶点结构、活性数据与项目约束，下游输出可购买、可合成或可进一步优化的候选分子。它既不同于供应商目录库（如 ZINC、Enamine、ChemDiv 的原始集合），也不同于最终命中列表：前者是原料，后者是结果，而虚拟筛选库是经过工程化处理的“中间产品”。其质量直接决定后续对接、打分和实验验证的命中率与成本。

构建与过滤工程的整体流程

一个完整的虚拟筛选库工程通常包含五个相互衔接的环节：来源获取、标准化、性质过滤、结构过滤、输出与版本管理。来源获取阶段需要明确库的用途——是基于已知活性配体的相似性扩展，还是面向新靶点的多样性筛选；标准化阶段统一处理盐、电荷、互变异构、立体化学和质子化状态；性质过滤依据类药性规则（如 Lipinski、Veber）或项目特定阈值剔除不合理分子；结构过滤则去除 PAINS、毒性基团、反应性基团和重复结构；最后输出为 SDF、SMILES 或对接软件可读格式，并记录版本与过滤日志。

以一个小规模示例说明：假设从 Enamine 获取 50,000 个初级化合物，经过去盐和标准化后保留 46,200 个；按分子量 200–500、logP −0.5–4.5、氢键供体 ≤5、氢键受体 ≤10 过滤后剩余 31,500 个；再剔除 PAINS 和重复结构后得到 28,700 个；最终按 3D 构象生成成功率筛选，输出 26,000 个可用于对接的分子。这些数字属于教学示例，实际项目会因靶点、阈值和软件不同而变化，但流程逻辑一致。

关键挑战：从“大”到“对”的取舍

虚拟筛选库工程的核心矛盾在于覆盖率与计算成本之间的平衡。库越大，覆盖化学空间越广，但对接、打分和存储成本呈线性甚至超线性增长。一个 10⁶ 规模的库在常规对接中可能需要数千 CPU 小时，而 10⁷ 规模则可能超出多数实验室的算力预算。因此，过滤工程的目标不是“保留最多”，而是“保留最可能命中且计算可行”的子集。

第二个挑战是假阳性控制。PAINS（泛筛选干扰化合物）和聚集剂是虚拟筛选中的常见陷阱。它们可能在多个靶点上表现出活性，但并非真正的特异性结合。若不在库构建阶段剔除，后续实验验证将浪费大量资源。常用工具包括 RDKit 的 FilterCatalog、PAINS 过滤器以及自定义的毒性基团 SMARTS 模式。

第三个挑战是可重复性与版本管理。同一个来源库在不同时间下载可能内容不同；不同的标准化参数（如 pH 条件下的质子化状态）会显著改变分子性质。因此，每次构建都应记录：来源版本、标准化规则、过滤阈值、软件版本和输出校验和。没有版本管理的虚拟筛选库，其筛选结果无法被复现或审计。

成功案例的共性

回顾已公开的虚拟筛选成功案例，可以发现几个共性：靶点结构或药效团模型明确；库规模控制在 10⁵–10⁶ 量级；过滤阈值与项目阶段匹配（早期探索偏宽松，先导优化偏严格）；以及迭代反馈——根据第一轮实验命中结果调整过滤条件，而不是一次性构建后不再修改。例如，在某些激酶抑制剂项目中，初始库经过类药性过滤后命中率约为 0.5%，通过引入与已知活性配体的相似性约束和排除反应性基团后，命中率可提升至 3%–5%（示例数据，实际因项目而异）。