虚拟药物筛选中计算化学的演进：小型综述

Scientific Electronic Archives · 2026-10-15 · 综述

• 一句话结论：该小型综述指出，基于结构与基于配体的药物设计互为补充，分子对接、分子动力学、QSAR、药效团建模与ADMET预测等方法可提升候选分子筛选效率，但结果可靠性取决于结构、数据与模型质量，属叙述性综述层面的证据支持。
• 研究设计与做法：研究为叙述性文献综述，检索Scopus、Web of Science、PubMed、SciELO、ScienceDirect并补充Google Scholar，优先纳入2015至2026年文献及Lipinski、Ghose、Egan、Muegge、Veber等经典过滤规则研究；材料未报告纳入文献数量与筛选流程细节。
• 主要结果：主要结果以定性归纳为主：综述认为计算方法可评估大型化合物库、研究分子相互作用并在实验前对候选排序；分子量、亲脂性、溶解度、极性表面积、电离性、柔性与sp³碳比例（Fsp³）等描述符有助于评估药代动力学潜力；机器学习与深度学习扩展了化学空间探索与性质预测能力；材料未报告效应量、置信区间或p值。
• 机制或解释：作者解释为：计算工具、理化标准与实验验证三者整合，可在实验测试前优先化候选分子，从而降低成本、支持决策并提高治疗候选发现效率；未讨论具体分子机制。
• 局限与边界：局限与边界：作为叙述性综述，未报告系统检索与偏倚评估流程、纳入研究数量及质量分级；结论依赖所纳入文献的结构、数据与模型质量；材料未报告人群、单中心与利益冲突等信息。
• 可否落地：可否落地：对药物发现早期流程中计算工具与理化过滤规则的组合使用具有参考意义，属提示性证据；综述本身不提供新的实验验证，故对具体靶点或化合物的筛选效能尚不足以下结论。

🔗 打开原文

Maria Emanuelle de Oliveira Queirós, Alanna Coutinho Brasileiro Vaz, Lucas Henrique de Oliveira Rodrigues 等

本文摘自《每日前沿研究简报 · 2026-10-17》「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。