《药物发现的虚拟筛选方法.ppt》由会员分享，可在线阅读，更多相关《药物发现的虚拟筛选方法.ppt（97页珍藏版）》请在三一办公上搜索。
1、药物发现的虚拟筛选方法,第一节 概述,计算机模拟与化学合成、生物测试的结合构成了后基因组时代新药研究的新策略。从已有的化合物，包括合成化合物和天然产物中寻找药物或先导化合物，是药物发现的一个重要途径。到目前为止，人们只是针对大约500 种疾病的治疗靶点，筛选了现已发现的2 000 多万种有机化合物中大约10%的化合物，但仍然有大量的潜在活性化合物未被发现。,随着科学技术的发展，各种先进技术应运而生（X 射线晶体衍射法、多维核磁共振法、扫描隧道显微技术等），使得越来越多生物靶标（蛋白质、核酸、多糖等）的空间结构被解析。同时计算机科学的发展又极大地提高了计算和分析的速度和精度。因此，自上世纪90
2、年代起，合理药物设计就逐渐成为一种实用技术接融入到药物研发的各个环节。,一、合理药物设计,成功例子,奈非那韦（nelfinavir）抗艾滋病药物 HIV-1蛋白酶抑制剂依马替尼（imatinib）治疗慢性骨髓型白血病药物,二、数据库空间,研究对象 化学信息学：小分子 生物信息学：小分子结构单元构成的基因和蛋白质等大分子，本质上都是 化学物质。计算方法 基于回归的聚类分析；支持向量机；神经网络；遗传算法等。发挥作用方面 核酸和蛋白质功能和结构；小分子配体和蛋白质受体的相互作用；酶催化 等方面。,化学信息学和生物信息学的共同点,是相互依存，相互影响，需结合在一起，才能解决大多数的实际问题！,虚拟筛
3、选的时间：在化合物组合库合成和/或筛选之前。虚拟筛选的空间：在计算机上进行模拟设计和筛选。虚拟筛选的方法：直接方法：基于分子对接（molecular docking）的虚拟筛选 间接方法：基于药效基团（pharmacophore）的虚拟筛选,虚拟筛选（virtual screening,VS）,虚拟筛选技术是药物设计方法的延伸和推广，广义地讲只要是基于某种提问形式，从现有的小分子数据库中，搜寻符合条件的化合物都可以称之为虚拟筛选。这其中包括基于某些分子特性的数据库搜索、基于分子对接的数据库搜索、基于药效团的数据库搜索等，其目的是从几十乃至上百万个分子中筛选出新的先导化合物。由于实体的药物筛选需
4、要构建大规模的化合物库，提取或培养大量实验必须的靶酶或者靶细胞，并且需要复杂的设备支持，因而进行实体的药物筛选要投入巨额资金。而虚拟药物筛选是将药物筛选的过程在计算机上模拟，对化合物可能的活性作出预测，这样就能够集中目标，大大降低实验筛选化合物的数量，从而缩短研发周期、节约经费开支。虽然早在20 世纪70 年代虚拟筛选技术已经得到应用，但由于技术本身的不成熟，使得在新药开发上仍然主要依靠传统的实验筛选。近年来，随着虚拟药物筛选成功地发现了一些有开发价值的先导化合物，这项技术又重新引起大家的重视。,化学信息学,产生的背景 组合化学和高通量筛选，出现了巨大的信息，需要快速收集、存储、分析和处理，随
5、着信息技术向化学领域的渗透，形成了新的交叉学科化学信息学。研究内容 化合物信息在计算机中的表示 化合物数据库的建立、使用和管理 化合物相似性、多样性及分子类药性分析 化合物定量构效关系,化学信息学 Chemoinformatics，chemical informatics，Cheminformatics，chemi-informatics,利用计算机信息处理技术对化学分子结构和相关信息进行管理的一种综合性技术和学科应用化学信息学可促进化学信息的获取、转化与共享,一、化学信息的表示方法,化学分子,一维结构：化合物名称（俗名）；线性符号表示法。,二维结构：原子用元素符号，键用短线，即化合物结构式。
6、为平面结构。,三维结构：原子的空间位置、相互间距离、键角和二面角等。,分子表面：建立在三维结构基础上，能与分子的三维结构一一对应。,苯丙氨酸分子结构表征层次,（一）一维结构表示,SMILES（简化分子线性输入系统）编码的基本原则,原子通常以大写元素符号表示（省略氢原子），芳香结构原子则以小写表示。相邻原子依次排放在一起，单键通常省略，双键和三键分别以“=”和“#”表示，芳香键以“：”表示，也可省略。分支部分放在括号内，环则打开，并赋予断开键两端的原子以相同的数值。双键“/”表示顺式，“”表示反式。原子顺时针排列用表示，逆时针排列用表示。,甲烷 CH4 C乙醇 C2H5OH CCO氰化氢 HCN
7、 C#N环已烷 C6H12 C1CCCCC1吡啶 C5H5N n1ccccc1异丁酸(CH3)2CHCO2H CC(C)C(=O)O反式二溴甲烷 Br/C=C/Br 或BrC=CBr顺式二溴甲烷 BrC=C/Br 或Br/C=CBrL-丙氨酸 NCH(C)C(=O)OD-丙氨酸 NCH(C)C(=O)O,举例说明,苯丙氨酸,NC(Cc1ccccc1)C(O)=O,C/C=CC=CH(O)C#N,SMILES编码的立体化学信息表示,SLN编码（Sybyl线性标记法）的规则,原子以其元素符号表示，氢原子也要显示；单键省略，双键、三键和芳香键分别以“=”“#”和“：”表示；分支也采用括号表示；环也打
8、开，依靠环上一个预先定义好的具有唯一编号的原子及符号来识别，如环己烷表示为C15H2CH2CH2CH2CH2CH215;原子和键的属性（如电荷、立体化学性质等）可通过方括号 或尖括号在该原子后标记出；对大分子的原子，可使用缩写，如氨基酸可以用其三个字母缩写形式表示。,（二）二维结构表示,1、图论基础和图的矩阵表示 一个简单的图由顶点（V）和边（E）组成，因此图被定义为一个三元组,为映射函数。在下面一个简单的无向图中，V=1，2，3，4，E=e1，e2，e3，e4，e5，e6。,图也可用矩阵表示：设G=为无向图，令mij等于顶点vi与边ej的关联次数，则称（mij）n*m为G的关联矩阵，记为M(
9、G)。,用图表示苯丙氨酸的结构,2、化合物结构的矩阵表示（1）邻接矩阵（以乙醛为例）,（2）距离矩阵：表示了相应原子之间的距离：几何距离（用表示），拓扑距离（两原子之间连接的键的个数）（3）键矩阵：矩阵元素为相连接的两个原子之间的键级。双键：2，三键：3。（4）关联矩阵：是一个nm的矩阵。顶点（原子）作为列（n），边（化学键）作为行（m），如果边在顶点内，则相应的元素置为1。,3、连接表,20世纪80年代开始，成为化合物在计算机中表示的最主要方法。首先对每个原子进行编号并列表然后在另一表格中列出键的信息，键级用整数表示，1表示单键，2表示双键。,（三）三维结构表示,1、直接坐标法 用迪卡尔坐标
10、直接存储每个原子的三维坐标（x,y,z）,2、内坐标法,每个原子位置以与其他原子间的3个相对位置关系表示相对距离、键角、二面角,（四）分子存储格式及其相互转换,基本存储分子的元素组成、原子坐标、原子连接关系其他存储分子子结构信息，适用于生物大分子原子电荷信息，调用时不必再计算确定特定原子化学环境的原子类型信息,二、化合物数据库的生产和管理,目前有很多商业化合物数据库可以利用 MDL药物数据报告（MDDR）含有115000个类药性 化合物。美国国家癌症研究所（NCI）数据库含有250000个 化合物。,MDL ISIS化学数据库管理系统,ISIS系统提供了基于Oracle 数据库系统的各类化学信
11、息系统的管理和开发工具，可以同时管理化学结构、化学反应、生物活性及谱图等多种化学信息。ISIS已应用于全球超过80%的化学与制药企业，已成为事实上的化学信息管理系统的工业标准。,ISIS(Integrated Scientific Information Management System)MDL的综合性结构和反应管理软件,由三个主要模块组成：(1)化学信息管理系统：ISIS/HOST主服务器应用程序，进行通讯连接，集中数据库数据并作处理(2)化学信息生成和管理软件：ISIS/BASE用于生成局部数据库及处理信息(3)化学画图软件：ISIS/DRAW用于输入结构式和搜寻询问条件,2D结构输入,
12、计算机绘制化学结构式 首先输入原子和键的骨架结构，原子数、电荷会自动变为上下标 软件的模板中收集大量分子片段 可智能分析结构式，处理结构式的编码和变换 还可有附加功能，如自动命名、化学计算、光谱分析等,三维结构的转化,3D结晶结构参数转入3D数据库,软件将2D化学结构迅速地转为3D模型,三、分子相似性和多样性分析,分子相似性和多样性分析方法的原则：结构相似的分子有着相似的性质或活性。作用：在识别新的具有与已知化合物相同性质或活性的化合物时具有十分重要的作用。数据库的化学多样性（chemical diversity）：数量巨大的、结构不同的贮藏和检索系统适用于先导化合物发现 数据库的化学相似性（
13、chemical similarity）适用于先导化合物优化评价方法：通过计算分子的描述符，并比较化合物描述符的近似程度。,分子描述符,概念：在相似性和多样性分析中，需要建立化合物结构和它们生 物活性或者理化性质的映射，分子描述符就是其中的一种映射。作用：通常一个或多个描述符可以用来描述分子的结构、性质等，如lgP在一定程度上反映了分子穿透细胞膜的能力；拓扑指数描述 了结构的复杂性。描述符的内容是由两方面决定的，一是化合物的分子表示，二是计 算描述符的算法。,分子描述的分类,分子相似性分析方法,基于定性特征的和基于定量特征的。对于两个化合物A和B，a是A所具有而B不具有的特征数目 b是B所具有
14、而A不具有的特征数目 c是两者共同的特征数目 d为两者都不具有的特征数目 c和d表示了化合物A和B之间的相似性 a和b表示了化合物A和B之间的多样性 所有的特征数目为n=a+b+c+d这样，可以建立一种直观的相似性评价方法：考察所有匹配的特征数目c+d在所有特征数目（c+d）+（a+b）中所占的比例，即（c+d）/（a+b+c+d）。这也被称作为简单匹配系数。可以看出，A和B均不具有的特征并没有表达任何信息，所以，d可以从上面的方法中删除，得到了Tanimoto相似度计算公式。,化学多样性的定量表达Tanimoto系数,用化学空间中电荷和电势等描述符比较不同分子的性质 TC=c/(a+b+c)
15、a为A中基础片断的描述符的数 b为B中基础片断的描述符的数目 c为A和B中共有的基础片断的描述符的数目相同分子TC=1；分子没有共同描述符时TC=0,相似性搜寻,根据分子相似性原理，可以在数据库中搜寻与目标分子具有一定相似性的分子，即相似性搜寻。步骤：1、目标选择 2、描述符选择和编码 3、相似性评价方法选择 4、搜寻语句的输入 5、相似性打分,四、互联网上的化学信息资源,（一）化学搜索引擎1、大型通用搜索引擎：Google、百度等。2、专门用于搜索化学信息的引擎：ChemFinder,MetaXchem.（二）互联网上的化学数据库1、文献数据库（CA、Medline）2、化合物数据库（Gme
16、lin,CSD）3、综合数据库（Beilstein、PDB）,常用化合物数据库,FCD(Fine Chemicals Directory)MDL 维护。收载约90 000化合物和20 000化合物数据，包括化学系统名、俗称、分子式、分子量、供应商、价格、CAS登录号、纯度等。可通过结构式或其它任何数据检索ACD(Available Chemicals Directory)MDL维护。FCD数据库加上可大批量供货的化学品信息。目前有25万个化合物CSD（Cambridge Structure Database)20多万个结晶的3D结构实验数据及相关数据,常用数据库的网址,生物信息学(bioinf
17、ormatics),基于数学、生命科学、化学和计算机科学的交叉学科.利用计算机信息处理技术对大量生物大分子作信息获取、加工、储存、分类、检索与统计分析，揭示生物大分子的分子结构、功能、同源性和进化关系.推动生命科学的发展，为创新药物的研究和开发奠定基础.,生物信息学的应用,核酸序列分析指直接从基因组序列中获取信息，同时为后者提供数据；蛋白质序列分析中，大部分是对同源蛋白序列进行比对分析，以得到不同蛋白质之间的序列相关性，从而推测蛋白质功能等。二者分析方法一致。,生物大分子结构预测,虚拟筛选,生物大分子包括DNA、RNA、蛋白质和脂类。它们的结构预测指建立精确的三维构象，这对于生物大分子功能的阐
18、明十分重要。而尚无晶体结构数据的生物大分子，可采用分子模拟的方法预测大分子的三维结构。,在进行生物活性筛选之前，在计算机上对化合物分子进预筛选，以降低实际筛选化合物数目，同时提高先导化合物发现效率。,药物发现中的生物信息学方法,一、核酸和蛋白质的序列分析,(一)单个序列分析 根据单个氨基酸物化性质推测整个蛋白质的性质，也可对序列进行统计分析，预测二级结构出现可能性.20种氨基酸的疏水参数,根据统计值：Glu经常出现在-螺旋中；Val常在-折叠中发现;Pro通常不出现于-螺旋中和-折叠中而倾向于在回折中,（数值=1代表偏好处于平均；1代表偏好大于平均；1代表偏好小于平均）,(二)双重序列比较序列
19、比对,序列对比可以用各种矩阵表达并作相似性打分两个残基越相似则打分值越高.,(三)多重序列比对,多重序列比对可更多揭示相关蛋白质序列中的保守区域，进而分析蛋白质的结构和功能。可采用多种统计算法进行多重序列比对。,二、蛋白质三维结构预测,蛋白质二级结构预测的意义,蛋白质的二级结构有螺旋、折叠、转角等。因为每一段相邻的氨基酸残基具有形成一定二级结构的倾向，而且所有蛋白质中约85%的氨基酸残基处于上述3种基本二级结构状态，所以从序列预测蛋白质二级结构是可行的。,1、Chou-Fasman方法2、GOR方法3、基于氨基酸疏水性的方法,蛋白质二级结构预测的方法,主要预测方法,1、从头预测法（ab ini
20、tio prediction）,采用理论计算（分子力学、分子动力学、量子化学）方法，直接从分子和原子参数计算出蛋白质分子的稳定构象，理论上最理想的方法，但计算量极大，对于实际分子的计算超过能力范围,2、穿针引线法,根据已知的蛋白质三维结构来预测可能的三维结构基于知识的预测可应用于进化非常疏远的结构预测未知蛋白序列与折叠库中已知结构的蛋白序列作匹配计算，将序列吻合的三维结构模块串连起来，得到整个蛋白三维结构,同源蛋白模建法homologous model building比较分子模拟法comparative molecular modeling同源模建 homology modeling同源蛋白
21、法 protein homology,根据已知的蛋白质三维结构来预测可能的三维结构基于知识的预测同源蛋白有着相似的来源、相似的结构和生物功能。通过比较蛋白序列的相似性，按同源蛋白的三维结构为模板，构建未知蛋白的结构一般要求同源性在30%以上，特别是在结合区域同源性要好,步骤,（1）根据未知蛋白质的序列，寻找同源蛋白（2）二重或多重序列对比步骤（3）找出共同的二级结构区域，构建骨架（4）对初始模型作能量优化（5）判断结构合理性,三、代表性生物信息学数据库,（一）核酸数据库GenBankNIH所属国家生物技术信息中心NCBINucleic Acid Database（NDB）由European M
22、olecular Biology Laboratory（EMBL）创建，现由英国剑桥的欧洲生物信息学研究所（European Bioinformatics Institute,EBI）维护DNA Data Bank of Japan（DDBJ）日本国立遗传学研究所的日本信息生物学中心（Center for Information Biology,CIB）开发维护三大库可交互,（二）蛋白质数据库,PDB（Protein Data Bank at Brookhaven National Laboratories）美国 Research Collaboration for Structural Bi
23、oinformatics,RCSB开发维护的多肽、酶、病毒、碳水化合物和核酸的三维结构数据,基于药效基团搜索的方法,药效团的概念早在1909 年就由Ehrilich 提出，特指载有活性必须特征原子的分子框架。现在泛指生物活性分子（一般指小分子）中对活性起重要作用的“药效特征元素”的空间排列形式。这些“药效特征元素”可以是某些具体的原子或原子团，比如氧原子、苯环等；也可以指特定的功能结构，如疏水基团、氢键给体、氢键受体等。在得到某类抑制剂的药效团模型后，就可以以药效团作为提问结构进行数据库搜索，从数据库中筛选得到符合该药效团的候选分子，而在这些候选分子中可能包含新的先导化合物。,（1）初筛：其作
24、用是先筛去那些不能与提问结构匹配的分子，减少进入下一个阶段的候选分子数。大多数软件都把在该药效团中出现较多的原子或基团作为约束条件，含有这些基团的则通过初筛，否则被淘汰。（2）二维子结构匹配：其目的是确定测试分子中药效模式间的连接方式是否符合提问结构，这是一个较为耗时的过程。（3）三维结构搜索：在通过二维子结构匹配证明其包含药效团以后，就需要验证它在数据库中的构象和药效特征元素是否满足空间限制条件，如果满足则该分子是一个命中结构。,基于药效团的搜索一般包含3 个基本步骤,基于药效团的搜索软件,CATALYST 是由美国Accelrys 公司面向药物研究领域的综合性开发软件，由于这一软件为药效团
25、模拟提供了完善的解决方案，使得CATALYST 成为近年来在基于药效团模型的药物开发方面使用最广泛的软件。它能将抽象的药效特征元素与灵活的几何约束条件相结合，尤其在定义药效团模型时，能够表达重要的化学概念。在进行基于药效团模型的数据库搜索时，其一维限制条件与某些数据相联系，如分子量、lgP、pKa 等，从而把搜索限定在某些数值范围内；二维约束支持定义包含子结构或排除子结构，如包含芳香环，不包含羰基等；三维检索时，对每个分子在生理条件下可能采取的各种构象进行搜索。为实现最佳的检索性能，CATALYST 经过了高度优化，即使最抽象的（化学表达）检索也不例外。,UNITY 是另一搜索化学或生物数据库
26、的搜索系统，由美国Tripos 公司开发。包括2D（搜索特殊片段）、相似性、3D（搜索特征的三维结构或药效团）、柔性（允许小分子通过改变键角、二面角等方式符合3D 条件）搜索。UNITY 在进行药效团搜索时，支持3D/Flex 搜索，检索的药效团特征包括给体原子（donor atom）、受体原子（accept atom）、给体位点（donor site）、受体位点（accept site）以及疏水中心（hydrophobic center）等。在对小分子数据库进行药效团搜索时，采用的特征限制条件可以是具体的原子或基团，如上述的给体原子、受体原子、疏水中心；也可以是某些配体将与之发生作用的位点，
27、即给体位点和受体位点等。,基于药效基团的结构搜寻,1、二维药效基团搜寻,以平面的提问结构搜寻化合物结构式,（1）二维子结构搜寻,搜寻具有与提问结构相同子结构的化合物分子,（2）二维相似性搜寻,搜寻与提问结构某些特征相似的化合物分子,2、三维药效基团搜寻,搜寻具有与相同作用基团和空间排布的化合物分子,例 新抗生素的寻找,例 D2/D3受体选择性拮抗剂药效基团模型,多巴胺D2类受体为抗帕金森症和安定类药物的靶点D3/D4受体可能与精神分裂症有关D2受体选择性拮抗剂取代哌嗪/哌啶类,D3受体选择性拮抗剂苯酰胺类和四氢萘类,药效基团模型的建立,挑选26个D2受体选择性和22个D3受体选择性的化合物分别
28、作为训练集，分别产生D2受体D3受体模型 以Catalyst 将结构式转化为三维构象，用Best conformational analysis进行构象优化用Catalyst/HypoGen产生药效基团。选择5个结构特征作为药效基团单元：HB Acceptor，HB Donor，HYDPHOBIC，HYDROPHOB aromatic，RING AROMATIC 为D2/D3受体选择性拮抗剂分别产生了10个得分从高到低的Hypothesis,药效基团模型的可信度,对于D2受体和D3受体产生的药效团模型，每个药效基团模型的得分与理想模型的得分差值均大于40，说明数据关联的可能性较大所建立的D2受
29、体和D3受体药效团模型可用于虚拟筛选,未知化合物的活性预测,以未知化合物作为验证集大部分预测值与实验值处于同一个数量级，并反映D2/D3受体的选择性,D2（左）和D3（右）受体拮抗剂药效基团MAPPING图,例 Muscarinic M3 受体拮抗剂的筛选,过敏性肠道综合症与慢性阻塞性气管病均与受体Muscarinic M3 有关。1999 年，Marriott 等采用基于药效团搜索的方法进行了Muscarinic M3 受体拮抗剂的筛选。他们从文献中选出3 个已知的抑制剂，利用DISCO 程序构建药效团模型，最终有2 个四点模型用于数据库搜索（图）。数据库搜索使用UNITY 程序，数据库为自
30、己课题组所构建，2 个药效团模型筛选得到177 个完全不同的分子，生物活性检测发现其中有3 个分子具有较高的活性。,例对MC 增生抑制剂的筛选,肾小球毛细血管中的血管系膜细胞（mesangial cell，MC）的增生与许多血管疾病的发生有关。2001年，Kurogi 等采用基于药效团的数据库搜索对MC 增生抑制剂进行了筛选，研究组从现有抑制剂出发，药效团识别采用CATALYST，构建了包含7 个药效特征元素的药效团模型。然后CATALYST 搜索了包含47 045 个分子的数据库，得到41 个命中结构，生物活性检测其中4 个化合物具有明显的MC 增生抑制活性。,三、基于定量构效关系的虚拟筛选
31、,定量构效关系方法及筛选,定量构效关系（quantitative structure-activity relationship，QSAR）研究方法在现代药物设计方法中占有重要的地位，也是应用最为广泛的药物设计方法。其目的是采用数理统计的方法研究和揭示化合物的活性与其分子理化性质之间的定量变化规律。传统的二维定量构效关系方法，如Hansh 法、模式识别Free-Wilson 法、电子拓扑法等早已为大家所熟知。随着QSAR 理论及统计方法的发展，反映更加丰富信息的三维定量构效关系方法如比较分子场分析（CoMFA）方法、距离几何法及分子形状分析方法等都迅速得到了广泛应用。,基于定量构效关系筛选的方
32、法也是最早发展起来的虚拟筛选方法，并已由平面的2D 发展至空间的3D 模式。利用软件（如Tripos 公司的CoMFA 或Accelrys 公司的CATALYST）分析一系列已知化合物的各种性质、理化指标，构建定量构效关系。在构效关系确定之后，即可应用于搜索各类数据库，筛选常使用的有Cerius2 中的Diversity 模块。,实 例,磺酰脲类除草剂最初开发在20 世纪70 年代，当时由于目标受体ALS 酶的三维结构尚不确定，南开大学李正名教授课题组从配体出发，选定了32 个化合物进行构效关系研究。利用分子模拟与设计软件包SYBYL 中的CoMFA 构建了相应的三维定量构效关系模型。利用此模
33、型以及Cerius2 的Diversity 模块进行数据库的虚拟筛选及活性预测，并挑选出20 个预测活性高的化合物进行合成，取得了较好的结果。,四、基于药代动力学的虚拟筛选,在传统的药物设计流程中，对于候选化合物最关心的往往是其能否与靶酶的活性位点结合，至于这个化合物能否在肠道溶解、透过细胞膜达到有效部位等问题考虑的并不多。这也直接导致了在过去20 年，世界前50 强制药企业每年平均花费75 亿美元仅开发出21 个上市新药，而真正能上市的药物与候选药物的比例始终保持在1/10，其中原因绝大部分出在药代动力学或安全（化合物毒性）问题上。因此，在药物研制的早期阶段对化合物的药代动力学和毒性进行全面
34、的评价也是十分重要的。,得到药代动力学模型通常包含3 个步骤：（1）利用小型化技术（miniaturization）制作一系列体外培养基。（2）借助计算机虚拟筛选一系列化合物，并对这些培养基进行评价。（3）对预测模型进行实际检验并修正，从而这些虚拟模型将最终取代真实体内或体外实验，成为筛选的模型。,Chris Lipinski 及其合作者通过高通量筛选以及组合化学取样，分析了WDI 中的2 245 个药物。为了查明普通口服药物的共同特性，总结出了著名的Chris Lipinski“5 规则”，包括分子量不能超过500、油水分配系数CLogP 小于5 等。,基于药代动力学筛选较快捷，主要针对整个
35、数据库，通常先于药效团筛选、对接筛选。因此筛选条件应尽量完善，否则很可能剔除潜在先导化合物。除上述“5 规则”之外，可极化表面积（PSA，一般应小于140.2）、在生理条件下油水分配系数、溶解度、在小肠及脑渗透率都应是被考虑的筛选条件，这样才能保证整个虚拟筛选过程准确性、高效性。,除了上述4 种筛选方法外，还有其它数据库搜索技术，如子结构匹配筛选、相似性搜索等，这些技术都已经在一些虚拟筛选实例中得到应用。,虚拟药物筛选面临的问题,（1）整个化学空间十分庞大，人们对于绝大部分化合物的生物性质还不是很清楚或知之甚少。因此所筛选的数据库通常是依据经验选择自己所了解的库，从而给筛选结果带来很大的局限性
36、。（2）受体模型经常是一个十分复杂的结构，例如蛋白质、多糖，包含成千上万个原子，而且在正常体液中一般处于流动状态，因此时刻都在改变其构象。假如以某个受体采用基于分子对接的筛选，则必须考虑受体构象以及配体构象的变化情况。然而分子的构象数随着柔性键的数目成指数增长，并且虚拟筛选通常面对的是包含众多数目化合物的数据库，因此计算量十分巨大。在现有的计算条件下，仍是一个值得考虑的问题。（3）结合自由能是评价药物与受体结合的指标，虽然结合自由能的计算较为复杂，但是用热力学积分法计算同类配体与受体的结合自由能还是可行的。然而数据库中小分子数量很多，而且相互之间基本无关联，因而计算如此多的小分子与受体结合自由能的计算量是十分惊人的。,结语,虚拟筛选是创新药物研究的新方法和新技术，并逐渐成为一种与高通量筛选互补的实用化工具加入到新药开发的工作中去。与传统的筛选方法相比，虚拟筛选具有高效、快速、经济等优势，虽然现在仍有一些问题制约着这项技术并且由虚拟筛选得到药物的成功范例并不是很多，但随着其它技术，如生物科学、计算机科学的发展，虚拟筛选必将在未来的新药开发中发挥更大的作用。,
