确定和验证最佳生物靶标是药物研发的关键第一步，其对后期试验、疗效、安全性和临床表现具有连锁影响。传统上，此过程需要手动调查生物医学数据，以建立靶标与疾病之间的关联，并评估疗效、安全性和临床/商业潜力。
然而，随着一系列假定靶标（包括蛋白质、代谢物、DNA、RNA 等）的高通量数据呈指数级增长，人们越来越多地使用计算机辅助药物设计 (CADD) 方法来识别生物活性化合物并大规模预测结合亲和力。如今，计算机技术的发展速度与体外技术（如 DNA 标记库）相同，并且已被证明在处理现代化学库的规模、多样性和复杂性方面至关重要。
CADD 技术包括基于 巴哈马手机数据 结构的药物设计 (SBDD) 和基于配体的药物设计 (LBDD) 策略，具体取决于目标靶标的三维生物结构的可用性。这些技术的一些最常见应用包括计算机结构预测、细化、建模和靶标验证。它们广泛应用于四个阶段：通过虚拟筛选 (VS) 识别命中物、通过分子对接研究所选命中物的特异性、预测 ADMET 特性以及进一步对命中物/先导物进行分子优化。
随着药物发现越来越依赖于计算和数据，将 CADD 与人工智能 (AI)、机器学习 (ML) 和深度学习 (DL) 等先进技术相结合，以经济高效和省时的方式将生物大数据转化为药物价值，正成为一种普遍做法。
在本文中，我们将仔细研究 AI/ML/DL 技术如何改变药物发现、虚拟筛选 (VS)、分子对接和分子动力学 (MD) 模拟中最广泛使用的三种计算机技术。
虚拟筛选
虚拟筛选 (VS) 是一种从大型库中筛选出匹配化合物的计算方法，与高通量筛选等实验方法相结合，可显著提高药物发现的速度、准确性和效率。计算机筛选技术分为基于配体的虚拟筛选 (LBVS) 和基于结构的虚拟筛选 (SBVS)。这些不同的方法可以结合起来，例如，使用基于配体的技术识别活性化合物，然后使用基于结构的方法找到合适的候选化合物。然而，基于 CADD 的虚拟筛选技术存在一些缺点，生化分析通常只能证实标准虚拟筛选应用中得分最高的化合物中 12% 具有所需的生物活性。
在过去二十年中，AI/ML 工具在虚拟筛选中的应用已取得长足发展，多目标优化和基于集成的虚拟筛选等技术被用于提高传统 SBVS 和 LBVS 方法的效率、准确性和速度。研究表明，深度学习 (DL) 技术在靶标预测、ADMET 属性预测和虚拟筛选等一系列任务中的表现明显优于 ML 算法。事实证明，基于 DL 的 VS 框架在提取高阶分子结构表征、准确分类活性和非活性化合物以及实现超高通量筛选方面更为有效。