分子对接
分子对接是 SBVS 中广泛使用的一种从大型数据库中检索活性化合物的方法，通常依靠评分函数来估计受体和配体之间的结合亲和力。这种对接评分方法是一种快速评估蛋白质-配体相互作用 (PLI) 的有效方法，它基于表明结合亲和力的假定配体结合姿势的排名。
自 20 世纪 90 年代以来，结合亲和力预测的评分函数 (SF) 一直在不断发展，如今包括经典的 SF，例如基于物理、回归和知识的方法，以及数据驱动的模型，例如基于 ML 和 DL 的 SF。然而，准确性是高通量方法面临的一个关键挑战，因为结合亲和力预测是从蛋白质-配体结合状态的静态快照中得出的，而不是整体的复杂动态。
基于 ML 的 SF 在评分函数比较评估 (CASF) 基准以及从 PLI 数据中学习和处理非线性关系的能力方面表现明显优于传统 SF。但预测是基于近似值和数据集偏差，而不是指导结合的原子间动力学。基于 ML 的 SF 的性能还取决于训练集和测试集中目标的相似性，这使得泛化成为一项挑战。
与传统 ML 方法相比，基于 DL 的 SF 已展现出显著的优势，包括特征生成自动化和捕获复杂结合相互作用的能力。最近，麻省理工学院的一组研究人员采用了一种 巴哈马手机数据 新颖的方法，将分子对接构建为一个生成建模问题，以开发出 DiffDock，这是一种新的分子对接模型，其成功率 (38%) 远高于最先进的传统对接 (23%) 和深度学习 (20%) 方法。
由于分子对接方法仅提供初始静态蛋白质-配体复合物，分子动力学 (MD) 模拟已成为获取目标动力学信息的首选方法。MD模拟可捕捉分子和原子水平的变化，并在阐明评估蛋白质-配体复合物稳定性所必需的分子间相互作用方面发挥关键作用。
然而，这种方法仍然存在一些问题，包括准确性与效率之间的权衡、计算复杂性、大时间尺度要求以及由于底层力场而导致的误差。ML 技术已帮助解决了其中许多挑战，并已被证明对 MD 模拟的发展至关重要，原因有三：模型选择的客观性、由于结构-功能关系的统计一致性表示而增强的可解释性，以及为生物过程生成定量、经验可验证模型的能力。
深度学习方法现已成为处理由 MD 模拟产生的海量动态生物分子大数据的有效解决方案，其他应用包括预测量子机械能量和力、提取自由能表面和动力学以及粗粒度分子动力学。
利用人工智能改变计算机模拟范式
计算机模型与实验方法的结合已成为早期药物发现的核心组成部分，有助于以更低的成本、更高的效率和准确性更快地生成先导化合物。先进的人工智能技术是计算机药物发现颠覆性发展的关键驱动因素，并有助于解决传统计算机方法的一些局限性和挑战。与此同时，它们还凭借从零开始自动生成新型类药物分子的能力，改变了这一模式。据估计，在 10 年内，早期药物开发中的人工智能/机器学习可能会产生额外的 50 种新疗法，即价值 500 亿美元的市场。