SBVS & LBVS

虛擬篩選也分“流派": 一邊是盯著蛋白結(jié)構(gòu)精準(zhǔn)“貼貼"的 SBVS，一邊是靠小分子“撞臉認(rèn)親戚" 的 LBVS。但是?。。z“門派"的干活思路不一樣： 一個(gè)靠“精準(zhǔn)匹配"，一個(gè)靠“找相似款"......

實(shí)際篩藥時(shí)到底該 pick 哪個(gè)? 來，用大白話給你扒得明白！

基于蛋白結(jié)構(gòu)的虛擬篩選 (Structure-Based Virtual Screening，SBVS) 是借助靶標(biāo)蛋白的三維結(jié)構(gòu)，從化合物庫中快速篩選出可能與蛋白結(jié)合的候選分子的計(jì)算藥物設(shè)計(jì)方法，核心是 “利用蛋白的空間結(jié)構(gòu)特征匹配潛在配體"。

因此，蛋白需要有確定可靠的結(jié)構(gòu)是進(jìn)行基于結(jié)構(gòu)的虛擬篩選的前提。

基于蛋白的活性口袋 (鎖芯) 有特定的空間形狀、電荷分布等特征，SBVS 通過計(jì)算化合物 (鑰匙) 與蛋白活性口袋的 “匹配度" (比如分子對接) ，篩選出能穩(wěn)定結(jié)合的化合物。

面對“新穎、已知活性分子較少"的 ZBP1 蛋白 (與炎癥、凋亡相關(guān)) ，復(fù)旦大學(xué)中山醫(yī)院團(tuán)隊(duì)用 SBVS 實(shí)現(xiàn)突破：

圖 1. 小鼠 ZBP1 抑制劑篩選策略示意圖^[1]。

ZBP1 的 RHIM 結(jié)構(gòu)域是其與 RIPK3、CASP8 等蛋白相互作用的關(guān)鍵，但缺乏高分辨率晶體結(jié)構(gòu)。研究人員用 AlphaFold 構(gòu)建小鼠 ZBP1 三維模型 (置信度較高、可靠性良好) ，再借助 Schr?dinger 軟件分析，預(yù)測出 5 個(gè)潛在結(jié)合區(qū)域。其中，覆蓋 RHIM 結(jié)構(gòu)域大量關(guān)鍵氨基酸殘基的“口袋 4"，被確定為核心篩選靶點(diǎn)——化合物結(jié)合此處，有望阻斷 ZBP1 與其他蛋白的相互作用，抑制泛凋亡小體形成。

圖 2. 基于小鼠 ZBP1 的三維結(jié)構(gòu)，預(yù)測并評估其可成藥結(jié)合口袋。根據(jù)位點(diǎn) 4 進(jìn)行虛擬篩選^[1]。

隨后，研究人員從 MedChemExpress (MCE) 化合物庫選取 30 萬個(gè)小分子，通過“高通量虛擬對接"模擬與 ZBP1 口袋 4 的結(jié)合過程。結(jié)合能越低，化合物與靶點(diǎn)結(jié)合越穩(wěn)定、活性潛力越強(qiáng)。團(tuán)隊(duì)按結(jié)合能評分排序，最終篩選出 10 個(gè)結(jié)合能力強(qiáng)的候選化合物。

虛擬結(jié)果需實(shí)驗(yàn)驗(yàn)證才可靠。研究人員用表面等離子體共振 (SPR) 技術(shù)檢測：50μM 濃度下，MSB 與 ZBP1 的結(jié)合響應(yīng)值 (RU=42.2) 顯著高于其他化合物；進(jìn)一步濃度依賴性實(shí)驗(yàn)顯示，二者解離常數(shù) (KD=725nM) 達(dá)“中高親和力"水平，證實(shí)穩(wěn)定結(jié)合。后續(xù)機(jī)制實(shí)驗(yàn)更驗(yàn)證，MSB 能有效阻斷 ZBP1 與 RIPK3、CASP8、CASP6 的相互作用，實(shí)現(xiàn)篩選目標(biāo)。

基于配體的虛擬篩選 (Ligand-Based Virtual Screening，LBVS) 是借助已知活性配體的結(jié)構(gòu)/性質(zhì)特征，從化合物庫中篩選出具有相似特征的潛在活性分子的方法——核心是 “通過已知配體的‘共性’找新配體"。

已知能和靶標(biāo)結(jié)合的配體 (活性分子) 通常有相似的結(jié)構(gòu)、藥效團(tuán) (決定活性的關(guān)鍵基團(tuán)) 或理化性質(zhì)，LBVS 通過比對這些特征，從化合物庫中找出 “和已知活性配體像" 的分子。

主要方法有相似性搜索、定量構(gòu)效關(guān)系、藥效團(tuán)篩選等。

• 相似性搜索：將分子轉(zhuǎn)化為二進(jìn)制指紋 (如 ECFP4) ，用 Tanimoto 系數(shù)計(jì)算相似度，快速初篩超大型數(shù)據(jù)庫；

• 定量構(gòu)效關(guān)系 (QSAR)：用多個(gè)已知活性化合物訓(xùn)練模型，預(yù)測新化合物的活性；

• 藥效團(tuán)篩選：提取已知活性分子的關(guān)鍵特征 (如氫鍵供體/受體、疏水基團(tuán)) ，構(gòu)建“藥效團(tuán)模型"，篩選符合特征的分子。

LBVS 通常有以下核心流程：(1) 收集已知活性配體：獲取能與靶標(biāo)結(jié)合的化合物 (比如已報(bào)道的抑制劑) ；(2) 提取特征：為參考配體和數(shù)據(jù)庫化合物計(jì)算描述符 (1D：分子量、LogP；2D：指紋；3D：形狀、場效應(yīng)等) ；(3) 評估相似度/預(yù)測活性：用形狀比對、機(jī)器學(xué)習(xí)等算法計(jì)算得分；(4) 排序輸出：按相似度或預(yù)測活性排序，篩選候選分子。

圖 4. 基于配體的 CYP3A4 抑制劑篩選^[2]。

耶路撒冷希伯來大學(xué)團(tuán)隊(duì)針對 CYP3A4 膳食抑制劑，構(gòu)建“數(shù)據(jù)驅(qū)動(dòng)建模-虛擬篩選-體外驗(yàn)證"三階策略，效率與準(zhǔn)確性雙在線。

首先，研究人員從 PubChem 獲取 AID884、AID1851 高通量篩選數(shù)據(jù)，以 CYP3A4 介導(dǎo)的熒光素衍生物脫烷基化發(fā)光信號為活性指標(biāo)，嚴(yán)格清洗數(shù)據(jù) (移除片段化化合物、處理重復(fù)活性) ，最終得到 1760 個(gè)活性化合物 (IC₅₀0.032-15.85μM) 和 8893 個(gè)非活性化合物?；?DeepChem 模塊構(gòu)建分類器，按 75%:25% 劃分訓(xùn)練/驗(yàn)證集，以 AUC (0.97) 、特異性 (0.997) 、MCC (0.7) 優(yōu)化，設(shè)定預(yù)測指數(shù)≥0.7 為活性閾值，同時(shí)用 Tanimoto 距離定義適用性域 (APD) ，排除不可靠預(yù)測。

隨后選取 FooDB 數(shù)據(jù)庫 70474 個(gè)膳食化合物，先排除無機(jī)物、農(nóng)藥及藥物殘留，保留 68900 個(gè)獨(dú)特分子；用建好的深度學(xué)習(xí)模型 (chemprop) 篩選，得到 136 個(gè)初始活性化合物，經(jīng) APD 驗(yàn)證和人工審核，最終鎖定 115 個(gè)候選抑制劑。為聚焦腸道局部抑制劑，創(chuàng)新性結(jié)合 Lipinski 五規(guī)則，篩選出違反 2 項(xiàng)及以上規(guī)則 (如 MW＞500、AlogP＞5) 的 17 個(gè)低吸收化合物——這類分子更易在腸道發(fā)揮局部作用，減少全身干擾。

最后，團(tuán)隊(duì)選取預(yù)測指數(shù)較高的銀杏雙黃酮 (0.81) 與苦鬼臼毒素 (0.83) ，構(gòu)建大腸桿菌雙順反子表達(dá)系統(tǒng)，共表達(dá) CYP3A4 與 POR 蛋白并提取微粒體；用熒光底物 Vivid BOMR 檢測不同濃度化合物對 CYP3A4 活性的抑制率，通過非線性回歸計(jì)算 IC₅₀(分別為 12.9μM、3.5μM) ，成功驗(yàn)證二者活性，證明模型預(yù)測有效。

SBVS 和 LBVS 從不是“二選一"的對手，而是互補(bǔ)的“黃金搭檔"： SBVS 依托靶點(diǎn)三維結(jié)構(gòu)，通過分子對接精準(zhǔn)預(yù)測小分子與活性口袋的結(jié)合模式，特異性強(qiáng)卻受限于靶點(diǎn)結(jié)構(gòu)解析難度；LBVS 無需靶點(diǎn)結(jié)構(gòu)，憑借已知活性分子的相似性特征快速初篩化合物，適用性廣卻易局限于傳統(tǒng)分子骨架。

二者聯(lián)用可實(shí)現(xiàn)“初篩 + 精篩"的高效配合：先用 LBVS 縮小化合物庫范圍，再以 SBVS 提升篩選精準(zhǔn)度，大幅降低研發(fā)成本，加速先導(dǎo)化合物的發(fā)現(xiàn)進(jìn)程。根據(jù)可用的數(shù)據(jù) (有無蛋白結(jié)構(gòu)、活性化合物數(shù)量) 合理選擇和組合這兩種策略，是成功進(jìn)行虛擬篩選的關(guān)鍵。

卡迪夫大學(xué)團(tuán)隊(duì)針對炎癥、癌癥相關(guān)的 P2X7 受體，用“LBVS+SBVS"雙驅(qū)動(dòng)策略篩選拮抗劑：

圖 5. LBVS+SBVS 篩選 P2X7 受體拮抗劑^[3]。

• LBVS 初篩，縮小范圍：以3種已知P2X7拮抗劑 (A740003、A804598、JNJ47965567) 為模板，用 MOE 軟件構(gòu)建含“2 個(gè)疏水基團(tuán)、1 個(gè)芳香基團(tuán)、1 個(gè)氫鍵供體、1 個(gè)氫鍵受體"的 3D 藥效團(tuán)模型，從 4 個(gè)商用化合物庫 (約10⁷個(gè)分子) 中篩選出 540,643 個(gè)符合特征的候選分子。

• SBVS 精篩，鎖定目標(biāo)：基于大熊貓 P2X7 與 JNJ47965567 的共晶結(jié)構(gòu) (PDB:5U1X) ，構(gòu)建人 P2X7 同源模型 (氨基酸一致性 84.5%) ，經(jīng)能量最小化與 Ramachandran 圖驗(yàn)證后，將初篩分子對接至受體負(fù)性變構(gòu)口袋。用 Glide (SP/XP模式) 、PLANTS、FlexX、FRED 四種評分函數(shù)共識評分，結(jié)合類藥性 (Lipinski 五規(guī)則) 與關(guān)鍵殘基 (Asp92、Lys297 等) 相互作用的視覺篩選，最終選定 11 個(gè)化合物進(jìn)行體外驗(yàn)證。

• 實(shí)驗(yàn)驗(yàn)證：通過 YO-PRO1 染料攝取 (檢測大孔道形成) 和 MPR (檢測離子通道活性) 雙實(shí)驗(yàn)，篩選出 2 個(gè)雙活性化合物 (IC₅₀ 分別為 1.88μM、6.82μM) 。進(jìn)一步合成 10 個(gè)結(jié)構(gòu)類似物開展 SAR 分析，發(fā)現(xiàn)類似物 2g (R2/R3 為對氟苯環(huán)) 活性優(yōu) (IC₅₀=1.31μM) ，分子對接顯示其通過額外氫鍵增強(qiáng)與 Asp92、Lys297 的結(jié)合，為后續(xù)優(yōu)化提供明確方向。

   

  想讓虛擬篩選又快又準(zhǔn)？關(guān)鍵是“按需選擇，合理組合"！

  第一步：有蛋白結(jié)構(gòu)→優(yōu)先用 SBVS 精準(zhǔn)對接；

  第二步：有已知活性分子→先用 LBVS 快速初篩；

  第三步：兩者都有→用“LBVS 縮范圍 +SBVS 提精度"的組合策略！

  MCE 智能與藥物設(shè)計(jì)平臺，可綜合運(yùn)用分子對接、虛擬篩選、分子動(dòng)力學(xué)模擬等技術(shù)，依托高性能服務(wù)器，提供基于配體/受體的 AI 篩選、分子動(dòng)力學(xué)模擬、結(jié)構(gòu)優(yōu)化及化合物合成一體化服務(wù)——最短數(shù)小時(shí)內(nèi)完成數(shù)千萬分子篩選，真正實(shí)現(xiàn)快速高效，助力科研 er 破解藥物篩選難題！

   

   

  產(chǎn)品推薦

  虛擬篩選

  虛擬篩選 (Virtual Screening, VS) 是基于小分子數(shù)據(jù)庫開展的活性化合物篩選。利用小分子化合物與藥物靶標(biāo)間的分子對接運(yùn)算，虛擬篩選可快速從幾十至上百萬分子中，遴選出具有成藥性的活性化合物，大大降低實(shí)驗(yàn)篩選化合物數(shù)量，縮短研究周期，降低藥物研發(fā)的成本。

  AI 篩選

  人工智能 (Artificial Intelligence，AI) 藥物篩選是一種結(jié)合 AI 技術(shù)與計(jì)算化學(xué)的高通量篩選方法，廣泛應(yīng)用于蛋白結(jié)構(gòu)預(yù)測、新藥研發(fā)和分子設(shè)計(jì)與優(yōu)化等領(lǐng)域。其主要目的是利用機(jī)器學(xué)習(xí) (MachineLearning，ML) 算法分析大量數(shù)據(jù)，從中學(xué)習(xí)規(guī)律，生成 AI 打分函數(shù)，以此提高篩選效率，加速候選藥物的發(fā)現(xiàn)過程。

  分子對接

  分子對接 (Molecular Docking) 是一種基于計(jì)算模擬的藥物分子與生物大分子 (如蛋白質(zhì)、核酸等) 相互作用預(yù)測技術(shù)。其核心原理包括鎖鑰模型 (Lock-and-KeyModel) 和誘導(dǎo)契合學(xué)說 (InducedFitTheory) ，分別描述配體-受體的剛性匹配和動(dòng)態(tài)構(gòu)象調(diào)整過程。

  分子動(dòng)力學(xué)模擬

  分子動(dòng)力學(xué) (Molecular Dynamics, MD) 模擬是一種基于牛頓力學(xué)，綜合了物理、數(shù)學(xué)和化學(xué)等多種學(xué)科的計(jì)算機(jī)模擬方法，用于研究分子體系的運(yùn)動(dòng)和相互作用、預(yù)測分子體系的行為和結(jié)構(gòu)性質(zhì)。通過計(jì)算機(jī)分子模擬，研究人員能夠在分子水平上理解生物大分子的運(yùn)動(dòng)與生物功能、蛋白-小分子之間相互作用機(jī)理。

  Spr 檢測服務(wù)

  表面等離子共振 (Surface Plasmon Resonance，簡稱 SPR) 是借助傳統(tǒng)光學(xué)現(xiàn)象，利用光在不同介質(zhì)中產(chǎn)生消逝波后與等離子波產(chǎn)生共振，進(jìn)而可以構(gòu)建生物分子相互作用的生物傳感分析技術(shù)，用以檢測生物傳感芯片上配位體與分析物之間的相互作用情況。

  參考文獻(xiàn)

  [1]ZhangX, et al.Z-DNA-bindingprotein1exacerbatesmyocardialischemia?reperfusioninjurybyinducingnoncanonicalcardiomyocytePANoptosis.SignalTransductTargetTher.2025Oct7; 10(1):333.

  [2]GuttmanY,etal.DietaryInhibitorsofCYP3A4AreRevealedUsingVirtualScreeningbyUsingaNewDeep-LearningClassifier.JAgricFoodChem.2022Mar2; 70(8):2752-2761.

  [3]ZuanonM,etal.IdentificationofNewHumanP2X7AntagonistsUsingLigand-andStructure-BasedVirtualScreening.JChemInfModel.2025Jul14; 65(13):7143-7155.