📚 课程目录第2章先导化合物的发现策略

第二章：先导化合物的发现策略

做药物化学这么多年，我越来越觉得，先导化合物的发现是整个项目中最考验功力的环节。说白了，就是在大雾里找那个可能带你走出去的路标。方向对了，后面的事儿顺风顺水；方向错了，后面优化得再好也白搭。

这一章，咱们聊聊四种主流的发现策略。它们各有脾气秉性，适用场景也不一样。我个人习惯是，在项目启动前就先把这四张牌摊开看看，再决定打法。

2.1 随机筛选：朴实但有效的老路子

随机筛选，听着好像很随意，其实不然。它是把大量化合物拿去做活性测试，期望从里面撞见几个活性不错的苗子。高通量筛选（HTS）就是它的代表作。我记得十年前在一个抗菌项目里，我们就是从200万个小分子里筛出了三个有微弱活性的化合物。虽然阳性率低得吓人，但这三个后来成了整个项目的起点。

核心要点：

依赖大型化合物库，通常要求库规模在10万以上
需要建立稳健的高通量检测方法，假阳性率要控制在5%以内
筛选结果的质量取决于库的多样性和质量

我建议新团队做随机筛选时，先拿一个已知阳性化合物做对照，确认整个检测路径走得通。别上来就铺开筛，不然出问题了都不知道是库的问题还是检测的问题。

碎片筛选（FBDD）是随机筛选的变体。它的思路是：不筛完整的药物分子，而是筛分子量小、结构简单的碎片。为什么这么做？你想想看，一个完整的药物分子可能有好几个结合位点约束，很难同时满足。碎片只有简单的几个原子，结合方式更灵活，能更容易发现新颖的结合模式。

2.2 定向筛选：有目标的狩猎

定向筛选，说白了就是基于已知信息做聪明的搜索。你手里有靶蛋白的结构，或者知道某个母核结构跟靶点有相互作用，那就可以沿着这个方向去找。我个人认为，SBDD和LBDD是这里用得最多的两个套路。

基于靶标结构筛选（SBDD）的前提是你有高分率晶体结构或靠谱的同源模型。我做过一个激酶项目，拿到晶体结构后发现ATP结合口袋有个很特殊的疏水小槽。我们就专门设计了一批带疏水尾巴的化合物去匹配这个槽，结果命中率比随机筛提高了将近20倍。

基于配体结构筛选（LBDD）则是从已有的活性化合物出发，提取它们的共同特征构建药效团模型。这个方法特别适合靶蛋白结构未知的情况。

策略	所需前提	优势	局限性
随机筛选	大型化合物库、检测方法	无偏见，可发现全新结构	成本高，阳性率低
SBDD	靶蛋白结构或同源模型	命中率高，导向性强	受限于结构质量和可用性
LBDD	已有活性化合物信息	无需蛋白结构，适用面广	依赖已知配体质量
虚拟筛选	计算资源和分子库	快速、低成本、可并行	假阳性率高，需要实验验证
药物重定位	已知药物的安全数据	安全性已知、开发周期短	适应症扩展空间有限

曾经有一个项目，团队拿到一个蛋白的晶体结构就急着做SBDD。结果分子对接看起来很好，合成出来后活性全无。后来重新解析结构才发现，晶体里的构象跟溶液状态差了十万八千里。所以，做SBDD之前一定要确认结构数据的可靠性。

2.3 虚拟筛选：计算化学的用武之地

虚拟筛选，这是我做计算化学以来产出最多的一个方向。为什么现在这么多公司喜欢做虚拟筛选？很简单——省钱。你想想看，几百万个化合物一一筛选，光是试剂和耗材就是天价。但在计算机里，一个晚上就能跑完几百万个分子的对接模拟。

常用的虚拟筛选方法包括：

分子对接：把化合物库里的分子一个个“丢”进靶蛋白的结合口袋，评估结合能量。我常用的对接软件是AutoDock Vina和Glide，配合PyMOL做结果可视化。
药效团模型：从已知活性分子里提取出关键的药效特征（氢键供体、疏水中心、正电中心等），然后去库中匹配。
机器学习/QSAR：这个最近特别火。用已知活性的分子做训练数据，让模型学会预测新分子的活性。我个人喜欢用随机森林和深度神经网络，搭配RDKit做分子描述符计算。

这里贴一段我用AutoDock Vina做批量对接的脚本demo，很基础，但平时够用了：

#!/bin/bash
# 批量对接脚本示例
# 需要准备：受体.pdbqt、配体文件夹、vina可执行文件

RECEPTOR=receptor.pdbqt
LIGAND_DIR=./ligands_pdbqt/
OUT_DIR=./docking_results/

mkdir -p $OUT_DIR

for ligand in $LIGAND_DIR/*.pdbqt; do
    filename=$(basename "$ligand" .pdbqt)
    vina \
        --receptor $RECEPTOR \
        --ligand $ligand \
        --out $OUT_DIR/${filename}_out.pdbqt \
        --center_x 0.0 --center_y 0.0 --center_z 0.0 \
        --size_x 20 --size_y 20 --size_z 20 \
        --exhaustiveness 8 \
        --num_modes 5
    echo "Docking done for $filename"
done

echo "所有对接完成，结果保存在 $OUT_DIR"

实战经验：虚拟筛选的结果一定要联合多个打分函数交叉验证。我习惯先做分子对接拿一个粗排结果，再用基于力场的自由能计算（如MM-GB/SA）做精排。两个方法一致认为好的分子，实验命中率会高很多。

2.4 药物重定位：老药新用的智慧

药物重定位，听着高大上，其实道理很简单：一个药既然已经证明对人体安全，那它能不能治疗别的病？这招最大的好处是——跳过一期临床。因为安全性数据已经有了，可以直接上二期验证有效性。整个开发周期能省掉三到五年。

我记得有一个典型案例：沙利度胺（Thalidomide），原本是镇静剂但导致了严重副作用。后来科学家发现它有很强的抗血管生成活性，被重新开发用于多发性骨髓瘤。这个案例说明，一度被放弃的药物也可能在其他领域发光。

药物重定位的常见来源：

已上市药物的不良反应报告：有时副作用本身可以变成一个新的治疗方向。比如某些降压药发现能改善认知功能。
临床失败的药物：不是因为毒性而失败的，可以考虑其他适应症。
天然产物的经验积累：很多中药、植物提取物，历史应用经验本身就是筛选的依据。

我建议想走药物重定位路线的小伙伴，先去查一下ClinicalTrials.gov和DrugBank数据库。这两个资源里藏了很多已经走过安全性验证但没成功进入市场的药物，是重定位的“金矿”。

当然，重定位也有它的坑。一个化合物对靶点A有效，不等于对靶点B也有效。而且老药的专利保护期通常所剩不多，商业回报需要仔细算。嗯，这些都是在项目规划阶段就要想清楚的事。