多尺度计算方法在抗结核感染药物研发中的应用进展

Frontiers in Pharmacology · 2026-10-14 · 期刊论文

• 一句话结论：该综述认为，从网络药理学到机器学习、分子对接与分子动力学的自上而下多尺度流程，结合自下而上的实验反馈，可构成加速抗结核先导化合物发现并应对耐药性的闭环范式；方向为积极但附条件，强度为综述性判断。
• 研究设计与做法：研究设计为系统性文献综述，非原始实验；材料未报告样本量、干预与对照、随访时长。综述按四个相互关联的计算层次组织：系统与网络药理学用于宏观靶点与通路优选，机器学习用于中观虚拟筛选、耐药分类与ADMET预测，分子对接用于微观配体—靶点结合模式解析，分子动力学用于原子层面结合构象验证与复合物稳定性评估。
• 主要结果：主要结果：代表性研究提示该流程可定位MmpL3、InhA、DprE1、ATP合酶与FtsZ等结核关键脆弱点；机器学习模型可基于基因组数据预测耐药；并识别出候选物vazabitide A（对Pks13预测结合亲和力−85.8 kcal/mol）及老药新用候选aldoxorubicin、quarfloxin。材料未报告上述预测的置信区间、p值与发生率。
• 机制或解释：机制或解释：作者以跨层次整合解释计算预测的价值，强调其需由正交实验验证支撑，包括体外酶学与表型试验、体内感染模型、临床药代动力学分析与多组学佐证；并指出跨层误差传播是预测可靠性的内在限制。
• 局限与边界：局限与边界：作者自述预测可靠性有限且存在跨层误差传播，必须经严格下游实验验证；属综述性归纳，材料未报告纳入研究的数量、检索策略、人群与随访时长，亦未报告利益冲突信息。
• 可否落地：可否落地：对药物研发而言，该多尺度闭环流程可作为先导化合物识别与耐药应对的候选策略，属「提示」档位；生成式人工智能、自驱动实验室与标准化跨方法基准被展望为整合方向，但材料未报告前瞻性临床验证，尚「不足以下结论」其可改变临床实践。

🔗 打开原文

yajing ZHAO, Chao Wang, Wenjing Shang 等

本文摘自《每日前沿研究简报 · 2026-10-16》「化学信息 / 药物发现」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。