片段化合物库选哪家？
发布网友
发布时间：1天前
共1个回答
热心网友
时间：1天前
随着组合化学技术的迅速发展，药物化学领域通过计算机虚拟合成方法，能够生成庞大且数量惊人的筛选化合物库。理论上，可以合成的类药化合物数量超过10的40次方。面对如此庞大的数据量，仅靠合成所有化合物并逐一进行细胞实验是不现实的。因此，需要依赖融合了化学、数学与计算机科学的化合物库设计工具，实现从数据到信息，再到知识的整个化学信息处理过程。
常见的化合物库设计软件包括但不限于MOE (CCG)、Chemosoft (Chemdiv)、SmartMining (Chemdiv)、ISIS Base (MDL)、KNIME、NeuroSolution (NeuroDimension)、PyMOL (Schrödinger)、ICM Pro (Molsoft)、AutoDock (Scripps)、Discovery Studio (Accelrys) 等等。这些软件用途广泛，大致可以分为以下几个类别：
数据储存与管理：每个化合物的化学参数、光谱数据、纯度数据、生物活性测定值等信息被收集存储在数据库中，并实现快速调用与操作。这是后续所有分析处理的基础。
构效关系研究：通过分析现有活性化合物，利用统计方法（如遗传算法、人工神经网络、支持向量机和投影寻踪回归等）建立构效关系模型，衡量化合物结构与生物活性之间的关系。二维定量构效关系主要以化合物整体结构为参数。而三维定量构效关系引入了化合物的三维结构信息，间接反映了小分子与大分子相互作用过程中非键相互作用特征。常用的方法有CoMFA和CoMSIA。
虚拟数据库设计：基于配体结构设计方法，当生物靶点结构未知或以配体设计为侧重点时，通过研究与靶点有特异性结合的配体结构性信息进行药物设计。可以利用活性分子的特定结构片段作为“特权”结构，寻找2D子结构；或通过3D药效团分析，选择具有相似药效团的分子。另一种方法是基于靶点结构设计，以靶点结构为筛选模板，从与目标结合位点互补的可合成模板开始设计药物分子。
数据挖掘：通过分析已有化合物数据，整理出亚结构、二维/三维相似性、分子形状、骨架、药效团层面的信息度量，用于其他化合物的选择。聚类分析是一种重要的挖掘方法，通过寻找数据间的相似性来对数据进行分类，优化数据库的查询步骤，并发现隐藏的有用信息。
统计分析：主成分分析、因子分析等方法用于化合物描述因子的降维，简化分子信息表述并降低计算复杂度。主成分分析是一种*数据分析技术，将变量转换为一组线性不相关的主成分，便于进一步分析。
可视化分析：通过图表方式自动进行数据过滤和表达，生成结果进行分析。例如，SOM（自组织映射）将矢量样本集映射到二维晶格上，保留原始空间的拓扑结构，用于高通量筛选数据的分析和可视化。
常用设计软件示例：
MOE（Molecular Operating Environment）：集成可视化、模拟和方法开发的综合软件系统，支持小分子药物及生物药设计的各个方面。
KNIME：免费、开源的数据挖掘平台，通过集成各种机器学习算法和数据挖掘组件实现数据处理流程。
NeuroSolutions：集成开发环境，结合基础网络设计界面和高级语法，自动建立神经网络模型，用于数据挖掘、分类等任务。
PyMOL：三维结构显示软件，用于生物大分子如蛋白质的三维结构创作，支持插值、循环、光线跟踪帧等操作。
Autodock：开源分子模拟软件，用于预测配体和生物大分子靶点之间的相互作用，采用拉马克遗传算法和基于格点能量的快速计算方法。
设计实例：以酪氨酸激酶为例，作为极具吸引力的癌症治疗靶点，其异常信号与肿瘤发展密切相关。下图展示了酪氨酸激酶靶点库设计的具体步骤。Chemdiv采用各种设计软件进行综合分析与筛选。分子动力学模拟对计算机算力要求高，基于云技术的超算系统可解决这一问题。陶素生化提供超算云计算平台，利用丰富集群资源和领先并行AI云技术，高效处理海量运算需求，快速找到可能有效的药物结构，为后续实验阶段的化合物筛选和测试提供指导。如需了解更多或购买相关产品，欢迎联系我们。
