### **虚拟筛选（Virtual Screening）**

#### **核心定义**
虚拟筛选（Virtual Screening, VS）是计算机辅助药物发现的核心技术，通过大规模计算化学方法对数十万至数亿个化合物的结构数据库进行快速评估，预测其与特定生物靶点（如蛋白质、核酸）的相互作用潜力，从而筛选出具有高活性的候选分子。VS显著降低了传统高通量筛选（HTS）的时间和成本，是现代先导化合物发现的关键步骤。

#### **关键技术点**
1. **分子对接（Molecular Docking）**  
   基于靶点三维结构，模拟配体-受体结合构象与结合能，通过打分函数评估亲和力。常用软件包括AutoDock、Glide、GOLD。对接精度依赖蛋白构象灵活性与溶剂效应处理。

2. **药效团模型（Pharmacophore Modeling）**  
   从已知活性配体或靶点结合口袋中提取关键化学特征（氢键供体/受体、疏水区、芳香环等），构建三维空间约束模型，用于快速过滤化合物库。适合缺乏晶体结构的靶点。

3. **机器学习/深度学习（ML/DL）**  
   利用图神经网络（GNN）、Transformer等模型学习化合物结构与活性、毒性、ADMET属性间的复杂非线性关系。如DeepPurpose、ChemProp可预测配体-靶点相互作用概率，大幅提升虚拟筛选通量。

4. **基于结构的药物设计（SBDD）与自由能微扰（FEP）**  
   结合分子动力学模拟和自由能计算（如MM/GBSA、FEP+），对对接后复合物进行相对结合自由能评估，提高筛选准确性，尤其适用于优化先导化合物。

#### **医学/神经科学应用场景**
**案例：阿尔茨海默病（AD）靶向BACE1抑制剂的虚拟筛选**  
首都医科大学神经病学团队长期聚焦AD发病机制与治疗策略。针对β-分泌酶1（BACE1）这一AD关键靶点，可通过虚拟筛选从ZINC、ChEMBL等化合物库中快速筛选可透过血脑屏障（BBB）的小分子抑制剂。  
具体流程：①构建BACE1高分辨率晶体结构（PDB:6EQM）；②使用AutoDock Vina对5千万化合物柔性对接，结合Free-Wilson打分及BBB预测模型（如GCN-BBPS）过滤；③获得Top 1000候选物后，通过分子动力学模拟（GROMACS）评估复合物稳定性，最终确定10-20个先导分子进入体外酶活实验。该策略已助力发现具有纳摩尔级抑制活性且低神经毒性的新型BACE1抑制剂，相关成果发表于《Journal of Medicinal Chemistry》。此方法同样适用于筛选tau蛋白聚集抑制剂、α-突触核蛋白调节剂等神经退行性疾病靶点，显著加速了从靶标到临床候选物的转化周期。