📚 课程目录第2章虚拟筛选简介

2、虚拟筛选简介：原理、流程与常用方法归纳总结

虚拟筛选，说白了就是用计算机从海量化合物里"淘金"。你想想看，传统实验筛几千个化合物可能要折腾好几个月，而虚拟筛选几天就能跑完一轮。我2018年做一个激酶项目时，化合物库里有300万个分子，实验筛一轮的成本高得吓人。后来用虚拟筛选先过滤一遍，把候选范围压缩到3000个，再用实验验证。最终命中率比随机筛选高了将近10倍。

它的原理其实不复杂。简单来说，就是利用计算模型模拟分子与靶点之间的相互作用，从中挑出最可能结合、活性最好的那些分子。就像你找钥匙不用一把一把试，而是先看锁芯的形状再挑可能匹配的钥匙。嗯，道理就是这么直接。

2.1 虚拟筛选的核心思想

虚拟筛选能跑通，依赖一个基本假设：分子的结构决定了它的性质和功能。如果我们知道靶点的三维结构，或者手里有一批已知的活性分子，就能建立一个预测模型，从化合物库里快速找出潜力股。

我把它的核心逻辑拆成三步：

表征——把分子和靶点用计算机能理解的方式表示出来（比如指纹、图结构、3D坐标）。
预测——用模型估算分子与靶点的结合强度或活性概率。
排序——把所有分子按预测得分排队，挑出头部候选做实验验证。

一组真实数据对比：某制药公司的内部统计显示，虚拟筛选可以将实验筛选的命中率从0.1%~1%提升到5%~30%，前期成本降低约80%。但注意，这只是"提升概率"，不是"保证成功"。

我刚开始做虚拟筛选时，总觉得把化合物往软件里一丢就能出结果。后来被现实狠狠教育了一顿——模型预测的"高活性"分子，到了实验台上可能一点反应都没有。为什么？因为你用的表征方式可能丢掉了关键信息，或者训练数据本身就有偏差。嗯，这个坑我后面会细说。

2.2 核心流程：从靶点到候选分子

一个完整的虚拟筛选流程长什么样？我习惯把它画成下面这张图。你看一眼就能明白，它不是单个步骤，而是一条环环相扣的流水线。

每个步骤都有自己的"坑"，我捡几个重点说说：

靶点准备：PDB 里的蛋白结构经常缺氢、有异构问题，甚至活性位点附近的水分子位置都不对。我之前直接拿原始结构做对接，筛选出来的分子在实验里全都没活性。后来才查出来，是几个关键水分子没处理，氢键网络完全错了。
化合物库过滤：一定要做类药性过滤（比如 Lipinski 五规则）。200 万分子里有一半可能根本不适合做药，先砍掉它们能省大量算力。
ADMET 预测：很多新手只看结合能，忽略毒性。我见过一个项目，候选分子对接得分特别高，但肝毒性预测一塌糊涂，最后只能全部放弃。

2.3 常用方法：两大阵营

虚拟筛选的方法分两大类：基于配体的（LBVS）和基于结构的（SBVS）。它们的出发点完全不一样。

维度	基于配体的虚拟筛选 (LBVS)	基于结构的虚拟筛选 (SBVS)
核心原理	从已知活性分子提取规律，预测新分子	直接模拟分子与靶点的空间结合
需要什么	一批已知活性/非活性分子	靶点的三维结构（晶体或计算模型）
常用技术	药效团模型、QSAR、分子相似性搜索	分子对接、从头设计、分子动力学
优势	不需要靶点结构，计算快	能发现全新骨架，可解释性强
劣势	容易受训练数据偏差影响，难以发现新骨架	依赖靶点结构质量，计算成本高
典型场景	已知靶点有大量活性数据，做先导化合物优化	新靶点或孤儿靶点，想找全新苗头化合物

我个人习惯的做法是：先用 LBVS 做初筛，把千万级化合物快速压缩到万级；再用 SBVS 做精细筛选，用分子对接逐个评估。这样既省时间，又保精度。你想想看，如果一上来就直接对 300 万个分子做对接，算力成本一下子就上去了。

对了，分子对接的命令行长什么样？给你看一个 AutoDock Vina 的典型调用：

vina --receptor protein.pdbqt \
     --ligand ligand.pdbqt \
     --center_x 10.0 --center_y 20.0 --center_z 30.0 \
     --size_x 20 --size_y 20 --size_z 20 \
     --exhaustiveness 8 \
     --num_modes 9 \
     --out docking_results.pdbqt

这里 --center_x/y/z 是活性位点中心，--size 是搜索盒尺寸，--exhaustiveness 是搜索精度。我一般设成 8 到 12，再高收益就不明显了。

2.4 分子特征学习：虚拟筛选的"引擎升级"

传统方法有个天花板：特征需要人工设计。比如做 QSAR，你得绞尽脑汁想用什么描述符——是算分子量、LogP、氢键供体数目，还是用摩根指纹、MACCS 键？选什么样的特征，直接决定了模型的上限。

分子特征学习就不一样了。它让模型自己从数据里"学"出有用的特征表示。你不用手写分子描述符，而是把分子结构喂给模型，让它自动提取对预测活性最关键的模式。

拿 RDKit 举个例子，传统做法是先算指纹：

from rdkit import Chem
from rdkit.Chem import AllChem

smiles_list = ["CC(=O)Oc1ccccc1C(=O)O",
               "c1ccccc1",
               "CCN(CC)CC"]
mols = [Chem.MolFromSmiles(s) for s in smiles_list]

# 计算2048位摩根指纹
fps = []
for mol in mols:
    fp = AllChem.GetMorganFingerprintAsBitVect(mol, 2, nBits=2048)
    fps.append(fp)

print(f"生成了 {len(fps)} 个分子指纹")
print(f"指纹长度: {len(fps[0])} 位")

这种指纹是固定规则算出来的，不会根据任务自适应调整。而分子特征学习模型——比如图神经网络——会把分子看成一张图（原子是节点，键是边），在训练过程中自动学到对活性预测最有区分力的结构模式。

我的一点经验：在做虚拟筛选时，别急着上复杂模型。先用 RDKit 指纹 + 随机森林跑一个 baseline，跑通了再换成图神经网络。这样你能快速验证数据质量，也能给后续的"黑盒"模型提供一个对比基准。

2.5 实战中容易踩的坑

做虚拟筛选这几年，我踩过的坑少说也有七八个。挑三个最常见的提醒你：

坑一：蛋白准备不充分

我曾经因为活性位点附近的水分子没处理，氢键网络完全错了，筛出来的分子在实验里全都没活性。后来每做一个项目，都会手动检查：加氢、优化侧链取向、确认质子化状态。这一步偷懒，后面全是白干。

坑二：训练数据分布偏差

用 LBVS 时，如果已知活性分子全是某个化学骨架的类似物，模型学到的"活性规律"其实只是"长得像某个骨架"。换一个全新的骨架，预测就完全失灵了。我建议训练数据里尽量覆盖多样化的骨架，或者用聚类方法做数据增强。

坑三：过分相信打分函数

分子对接的打分函数有很多近似假设，比如忽略溶剂效应、忽略蛋白柔性。打分高的分子不一定真能结合，打分低的也不一定没活性。我现在的做法是：不只看绝对分数，而是看排序一致性——如果同一个分子在不同对接软件里都排在前列，那它才是真正值得关注的候选。

虚拟筛选不是"一键出药"的魔法，它是一个用计算缩小搜索范围的工具。工具用得好，能大幅提升研发效率；用得不好，就是"垃圾进，垃圾出"。嗯，关键还是理解它背后的原理和局限。

这一章我把虚拟筛选的原理、流程和主流方法过了一遍。从靶点准备到候选化合物验证，每一步都有大量细节可以深挖。后面几章我们会聚焦在分子特征学习这个方向，看看它怎么从底层改变虚拟筛选的效率和精度。