药物设计方法有哪些

药物设计多样性原理是:

药物靶点受体蛋白、酶或核算都是生物大分子，结构复杂多样、存在差异、功能各异，在药物作用专一性的前提下要求与不同靶点作用的药物结构必须存在多样性。多靶点配体药物设计原理主要包括两种方法：药效团结合法和筛选法，而药效团结合法是目前设计产生多靶点配体药物的主导技术。

合理药物设计即依据药物发现过程中基础研究所揭示的药物作用靶点(如受体、酶等)，再参考其内源性配体或有关天然产物的化学结构特征，寻找和设计合理的药物分子，以发现可选择性作用于靶点、又具有药理活性的先导物；或根据靶点三维结构直接设计活性配体。这种基于结构和作用机制的药物设计方法，设计出的药物往往活性强，作用专一，副作用少，有助于加快药物发现的过程。经传统药物设计而得到的药物分子只作用于单一靶点，产生单一的药理活性，如果要获得作用于多个靶点的药理活性就得采用“鸡尾酒”式的药物联合疗法。而多靶点配体药物结构中含有作用于多个靶点的配体，其产生多种药理活性，只需单一药物给药。多靶点配体药物设计可借助合理药物设计的理论基础和手段，大大拓宽了药物设计的研究范围。从这个意义上讲，可以说多靶点配体药物设计是合理药物设计的延伸。新靶点的发现和验证、组合化学、多靶点高通量筛选技术、构象分析多样性配体技术以及计算机辅助药物设计的技术和手段，为多靶点配体药物的合理设计提供了便利。这种设计不是简单地利用底物和药效团相“混合和匹配”，而是旨在利用生物结构信息和药效团模型，获得所需的多样性生物活性，同时去除不需要的生物活性。

我们经常看到一种药片的标示量仅0.1g或者更少，而实际称称肯定不止这个重量。那是因为药品的标示量都是主药药量，而药片中大部分实际都是辅料。什么是辅料呢？先粘一段百度。“药用辅料系指生产药品和调配处方时使用的赋形剂和附加剂；是除活性成分以外，在安全性方面已进行了合理的评估，且包含在药物制剂中的物质。药用辅料除了赋形、充当载体、提高稳定性外，还具有增溶、助溶、缓控释等重要功能，是可能会影响到药品的质量、安全性和有效性的重要成分。”看到了吧，辅料主要作用就是赋形（做成各种形状，以区别不同药片，还可以刻字），充当载体（主药量少，服用者难以精确取量），提高稳定性（比如易氧化，易吸湿，易水解等等），增溶助溶（难溶性药物），缓控释（让药物缓慢均匀或者控制药物释放，比如一些糖尿病高血压缓释片，一些肠溶片等，简单来说就是让药物在体内按我们想要的方式释放）。其实还有一些作用，比如靶向，比如掩盖臭（xiu）味，方便成形等等。所以，为了满足压制出来的片剂的崩解度，溶出度，生物利用率满足要求，我们在制剂时要加入：溶剂、抛射剂、增溶剂、助溶剂、乳化剂、着色剂、黏合剂、崩解剂、填充剂、润滑剂、润湿剂、渗透压调节剂、稳定剂、助流剂、矫味剂、防腐剂、助悬剂、包衣材料、芳香剂、抗黏合剂、整合剂、渗透促进剂、pH值调节剂、缓冲剂、增塑剂、表面活性剂、发泡剂、消泡剂、增稠剂、包合剂、保湿剂、吸收剂、稀释剂、絮凝剂与反絮凝剂、助滤剂、释放阻滞剂等。而每种主药的理化性质不同，以上各种辅料的加入量就不同，我们称找出最优配比为筛处方。

你可以设想一下，除了主药量固定不变，你有十多个变量，通过调整这十多个变量来满足十多个条件，先是小试，然后还要中试，最后放大规模到生产，要筛多少次处方，其中一个条件改变，可能就会造成很大很大的差异。所以，不是厂家不愿意把药片做小，而是臣妾做不到啊！辅料对药品特别重要，为什么很多人觉得国产药和进口药疗效有差异，除了研发力度，创新程度等等，辅料也是一个重要原因，我们国家在药用辅料方面，还有很长的路要走。最后，大多数药片（非缓控释片）其实是可以掰开吃的，仔细看下说明书，没有标注不能掰开和碾碎的话，掰开吃也无妨，而且现在也有很多是分散片，都可以用水分散后服用，给小朋友吃也很方便。

即根据已知药物作用靶蛋白或DNA三维结构(可由X射线晶体学、多维核磁共振或同源蛋白质结合，依据与药物作用的靶点即广义上的受体寻找和设计合理的药物分子，新药的合理设计思路

确定其治疗用途，药物在体内可能作用的靶点和判定药物活性的药理模型，在这些基础上进行药物化学的研究工作。 现代新药设计大致可分为基于疾病发生机制的药物设计和基于药物作用靶点机构的药物设计。能够与药物疯子结合并产生药理效应的生物大分子现统称为药物作用的生物靶点。这些靶点的种类主要有受体、酶、离子通道和核酸，存在于机体靶器官细胞膜上或细胞浆内。其受体，尤其是G—蛋白偶联受体靶点占绝大多数。就目前上市的药物来说，以受体为作用靶点的药物约占52%以酶为作用靶点的药物约占22%；以离子通道为作用的药物约占6%以核酸为作用的药物约占3%；其余17%药物的作用靶点尚不清楚。

基于结构的药物设计的思路是这样的，对于任何一种酶来说，它能起作用的催化功能都是与其自身的三维立体结构相对应的。打个比方的话，一种酶和它的作用底物有点像钥匙和锁的关系。酶分子就像一把锁，只有特定性状的作用底物（也就是钥匙）才能插得进去并且转动锁，从而发挥功能。

我们知道，锁和钥匙需要配对才能开锁。相似的，一个酶分子（绿色）和锁一样，也具备某种的构象，只能特异地识别某种底物分子（紫色），两者精确结合才能激活酶的功能。在DPP-4的故事里，DPP-4就像一把锁一样特异地识别GLP-1分子的形态，并切割GLP-1一端的氨基酸。不过要提醒读者们注意的是，锁与钥匙模型仅仅是对酶分子功能的粗浅解释，酶的反应动力学要复杂得多。比如，和锁不同的是，酶分子的构象会根据底物的不同而发生可塑的变化。

药物设计是随着药物化学学科的诞生相应出现的。早在20世纪20年代以前，就开始进行天然有效成分的结构改造。直到1932年，欧兰梅耶发表了将有机化学的电子等排原理和环状结构等价概念用于药物设计，首次出现具有理论性的药物分子结构的修饰工作。随后，药物作用的受体理论、生化机制、药物在体内转运等药物设计的理论不断出现。在20世纪60年代初出现了构效关系的定量研究，1964年，汉希和藤田稔夫提出定量构效关系的汉希分析，药物设计开始由定性进入定量研究阶段，为定量药物设计奠定了理论和实践基础，药物设计逐渐形成一门独立的分支学科。20世纪70年代以后，药物设计开始综合运用药物化学、分子生物学、量子化学、统计数学基础理论和当代科学技术以及电子计算机等手段，开辟了药物设计新局面。随着分子生物学的进展，对酶与受体的理解更趋深入，对有些酶的性质、酶反应历程、药物与酶复合物的精细结构得到阐明，模拟与受体相结合的药物活性构象的计算机分子图像技术在新药研究中已取得可喜的成果。运用这些新技术，从生化和受体两方面进行药物设计是新药设计的趋向。

这是一个巨大的话题，但我想指出一个我在本科时就非常关心的例子(毫无疑问，它与TC Quah和其他血液学家的观点非常接近)。

2001年，FDA批准STI-571用于治疗一种著名的白血病。这种形式之所以出名，是因为它相对常见(在美国，每526个人中就有一个人一生中会得这种病)，而且它已经得到了充分的研究。众所周知，几乎所有的病例中都有费城染色体——费城染色体是以大卫·亨格福德和彼得·诺埃尔工作过的城市命名的。

作为一项生物化学研究，这对我来说很重要的原因是费城染色体的蛋白质产物之一是p210——酪氨酸激酶的弗兰肯斯坦怪物，这个坏家伙破坏了参与细胞复制的多个信号通路。我对JAK/STAT特别感兴趣。

尼古拉斯·莱登(Nicholas Lydon)在Ciba-Geigy(后来被诺华公司收购)的团队从90年代起就一直致力于酪氨酸激酶抑制剂的研究，通过sti571，他们发现了生化的黄金。后来被称为伊马替尼的药物作为BCR-ABL蛋白产物的竞争性抑制剂，有效地关闭了激酶活性。

这几乎是癌症治疗方面的一个突破性进展。格列维奇改变了慢性粒细胞白血病的治疗。例如，所有31名第一阶段试验的参与者都进入了缓解期。

正如俄勒冈州的布莱恩·德鲁克(Brian Drucker)当时所说，“这在一期临床试验中几乎闻所未闻。”通常在第一阶段的临床试验中，如果你看到20%的缓解率，那就很了不起了。我们有一种药物耐受性非常好并且有100%的缓解率。看到这一幕真是太不可思议了。”

因此，Gleevec在某种程度上代表了分子药物设计“现代时代”的开端——生物化学制剂的物理特性可以用于建模和随后的合成。

大约在上个世纪初，在拨号时代，我们中的一些人曾“捐赠”cpu的部件来制造联网的“超级计算机”。这被蛋白质折叠项目用来加速数字运算。

现在我们有了Foldit。它甚至被用于COVID-19治疗研究。

除了技术问题外， 人工智能在药物研发中的成功应用的最大挑战还在于培养相关人员的适当思维方式以及相对应的文化氛围，以使他们愿意应用这些计算模型并使用其结果。 在药物设计领域中，利益相关者包括来自各个学科的研究人员以及商人，各方对机器学习的认知程度并不相同。要做到这一点，首先要认识到各个利益相关者的不同经历，然后发展通用的术语和规范。在大学层面上要促进这种趋势则需要教育和指导学生进行批判性思维，使其变得自我反省，包容其他的思维方式，学生就可以向同事（包括其他研究领域的人员）或者广为广阔的受众来解释AI可以在哪些领域进行扩大以及支持相关的发展（而不是进行替代）。

制药公司已经开始应用AI相关技术以及各种机器学习方法，但是并没有将全部的赌注都压在AI上面，这是可以理解的。考虑到药物研发的复杂性和受监管的特性，建议采取一种好奇而谨慎的态度进行尝试。在药物设计中开发AI应用程序时需要长期的时间，但AI可以提高所涉及的各个研究过程的效率，并减少研究文化之间的壁垒。

分子描述符和分子指纹

1.1 分子描述符和分子指纹概念

1.2 分子描述符类别和特点

1.3 分子指纹的类别和特点

2. 分子描述符/指纹计算软件

2.1 分子表示方法和格式

2.1.1 SMILES，SMARTS，SDF, MOL, MOL2, PDB

2.1.2 JEM Editor, Chemdoodle, ChemAxon, ChemDraw, DrugBank

2.2 RDKit简介及环境部署

2.3 RDKit中如何操作分子

2.4 RDKit中描述符的计算以及存储

2.5 OpenBabel简介及环境部署

2.6 OpenBabel操作分子和格式转换

2.7 OpenBabel中的分子描述符和指纹

2.8 ChemDes计算分子描述符和

2.9 ChemDes计算分子指纹

2.10 ChemDes中的格式转换

2.11 ChemDes中的分子优化

2.12 PyBioMed 简介环境部署

2.13 PyBioMed 获取分子

2.14 PyBioMed 计算分子描述符

2.15 PyBioMed 计算分子指纹

2.16 PyBioMed 计算蛋白质描述符

2.17PyBioMed 计算核酸描述符

2.18 PyBioMed 计算相互作用描述符

结构预处理和数据预处理

3.1 PyBioMed结构预处理

3.2 ChemSAR结构预处理

3.3 KNIME 结构预处理

3.4 Excel数据预处理及注意的问题

3.5 KNIME数据预处理

3.6 Pandas环境配置以及基本操作

3.6 sklearn数据预处理

3.7 归一化与空值处理

算法简单介绍和分类

4.1 药物设计中人工智能常用算法简介

4.2 常用算法实现软件或工具介绍

5. KNIME软件介绍

5.1 KNIME软件特色和界面

5.2 KNIME软件构建基本计算任务

5.3 KNIME软件社区支持

5.4 KNIME软件定制化插件

5.5 KNIME软件第三方支持

特征选择

6.1 基于sklearn的特征选择

6.1.1 相关性分析，相关性绘图

6.1.2 单变量特征选择及选择K个特征

6.1.3 递归式特征删除

6.2 基于KNIME流程的特征选择

6.2.1 相关性分析，相关性绘图

6.2.2 单变量特征选择

6.2.3 递归式特征删除

7. 模型的评价与解释

7.1 回归模型和分类模型的评价指标

7.2 应用域的评估

7.3 基于树的模型的解释

ADMET介绍

8.1 ADMET概念以及意义

8.2 基于人工智能的ADMET虚拟评价方法的进展

8.3 ADMET计算资源（ADMETlab、ADMETsar等）

9. KNIME软件构建ADMET模型

9.1 KNIME软件配置相关插件

9.2 caco-2细胞渗透性数据概览

9.3 结构预处理

9.4 描述符和指纹计算

9.5 SVM模型构建以及参数调整

9.6 RF模型构架及参数调整

9.7 RNN模型构建以及简单超参数调整

10. ADMET计算软件和实操

10.1 ADMETlab（v1.0 与v2.0）计算平台使用

10.2 admetSAR计算平台使用

10.3 本地模型调用以及预测

噪声过滤和相似性搜索

11.1 FAFDrugs4过滤

11.2 指纹和相似性度量计算

11.3 Swiss-Similarity相似性搜索

12. 机器学习模型构建和预测

12.1 收集GRK2化合物（讲解过程）

12.2 计算合适的分子表征

12.3 算法和特征选择

12.4 模型构建和评价

12.5 应用模型筛选化合物库

13. 分子对接

13.1 蛋白质预处理

13.2 小分子预处理

13.3 可应用Swiss-Dock对接

14. ADMET评估

14.1 ADMETlab计算并评估

14.2 确定相关性质的参考范围

14.3 评估并确定Hits.