在药物发现的早期，准确快速地排除这些无活性化合物将有利于达到富集活性化合物、降低筛选成本的目的。在药物筛选的化合物样品准备阶段,非药物类化合物排除法(removal of non-drug-like compounds)常常是首先采取的方法,它是根据化合物类药性(drug- likeness)的特点，排除化合物数据库中违背化合物类药性特征的化合物。这种方法简单易行,在化合物数据库管理系统中即可完成。非药物类化合物主要包括以下几种类型:

(资料图片仅供参考)

大多数非药物类化合物具备以上特征，因此利用这种排除法，可以排除非特异性的无活性化合物,适用于大多数高通量药物筛选前的化合物样品准备。但也有例外，如抗肿瘤药物的筛选不排除金属有机化合物,麻醉用药的筛选不排除小分子量的化合物等。

理论上讲,具有化学反应活性的化合物本不应该收集到用于药物筛选的化合物样品库中,但实际上化学合成工作者已经为高通量筛选提供了大量的化学反应中间产物,如醛、环氧化物、卤代烷等。这些化合物易于与生物大分子发生化学反应,在基于受体、酶或细胞检测实验中总是表现为假阳性(false positive),从而干扰药物研发的进程,因此应尽早予以排除。在药物筛选的前期,排除这些假阳性化合物的方法称为假阳性化合物排除法(removalof false positive compounds)。

药效团模型的构建是先导化合物发现的重要方法。尽管越来越多的药物靶点晶体结构得到解析,但目前仍有许多药物靶点的结构是未知的,特别是分布于细胞膜上的药物靶点。

。

当药物靶点的结构未知时，可以基于配体的结构进行药效团的构建,从一系列活性化合物结构出发,确定其生物活性必需的疏水、氢键等特征元素;当化合物的活性已知时，还可以建立药效团的3D-QSAR模型。在此基础上，

分子生物学和结构生物学的发展使得大量的生物大分子的三维结构被解析,未被解析的受体大分子结构常常可以通过同源建模的方法得到。在此基础上,另外，当药物靶点具有多个亚型时,应根据治疗疾病的特点,选择对药物靶点特定亚型契合度高,对其他亚型契合度低的化合物,以提高化合物的选择性,减少化合物的毒副作用。

目前,常用的分子对接软件有Autodock.Cold、DockFlexX.Clide、MOE 等。

分子相似法(molecular similitude approach)是基于分子相似性的虚拟筛选,将一个或多个与蛋白结合的配体结构作为数据库搜寻的条件,从化合物数据库中搜索符合相似性标准的化合物,用于高通量药物筛选。上述药效团搜索法仅利用了配体的部分结构特点,而分子相似法则利用了分子的整体结构特点，与对照化合物的结构或形状进行比较,从化合物数据库中搜索符合条件的化合物。。由于组合化学合成技术的应用,化合物合成速度得到大大提高,因而产生大量不同结构的化合物。在此基础上,最常用的虚拟筛选方法就是基于相似性的方法。此外,这种方法还用于确定待筛化合物的结构类型。根据配体相似性进行分类以后构建生物活性与亚结构或功能团之间的SAR模型用于分析化合物活性评价的优先权。

目前,常用的分子相似性虚拟筛选软件有CerberuS、FlexS、GASP、MIMIC 以及 CRID等。

上述几种方法均用于从化合物数据库中挑选优质的化合物,为药物筛选做好化合物样品的前期准备。相反地,反向分子对接(reversedocking)是将同一个活性分子分别对接到多个蛋白的活性位点，以确定该分子潜在的药物靶点的技术能够高效、大规模的进行靶点确定和验证，并预测与毒性相关的点。随着人类后基因组计划的实施，以及药物靶点快速确证技术和结构快速鉴定技术的应用,使越来越多的药物靶点结构信息得以解析，这些信息的积累将为反向对接法的广泛应用奠定重要信息基础。据报道,约35%的药物或先导化合物具有多靶点药效作用,药物与多靶点相互作用能够显著提高疗效,当然也可能导致不同程度的副作用和毒性。最近Berna等运用反向分子对接软件SELNERGYtm发现了托非索泮(tofisopam)的作用靶点一-磷酸二酯酶4(phosphodi esteras 4,PDE4),为开发高选择性的PDE4抑制剂提供了广阔的应用前景。

总之,近年来虚拟筛选技术在新药发现中的应用取得了显著成绩,发现了很多活性化合物或先导化合物。虚拟药物筛选已成为新药研发过程中的重要手段之一,但由于受到计算方法、数据来源以及生物体系复杂性的限制,计算结果还需要实验数据的验证。反过来，通过实验数据的验证,可以改进虚拟筛选策略方法,提高虚拟筛选结果的可靠性。

无论如何,虚拟筛选为新药研发提供了一种新的思维模式,并渗透到新药研发的各个阶段,成为新药研发的重要组成部分,其可行性强。随着化学计算方法理论的不断完善以及计算软件不断改进,虚拟筛选技术在新药研发中必将得到更广泛的应用,以更好地推动新药的研发。