QSAR到虚拟筛选演进：回顾40年CADD关键突破

今日概览

CADD综述：从QSAR到虚拟筛选的演进 综述将LBDD的QSAR、药效团与RBDD的对接、从头设计并置为CADD两大技术路线。

重点关注

01CADD综述：从QSAR到虚拟筛选的演进

该文系统回顾了计算机辅助药物设计（CADD）在配体导向（LBDD）与受体导向（RBDD）两条路线中的主流工具，指出传统“试错式”发现需数年才能得一个活性分子的瓶颈，而QSAR、药效团、分子对接及从头设计等数学模型可将早期筛选阶段压缩至纯计算流程。作者强调，在LBDD框架下，QSAR通过建立生物活性与结构描述符的定量关系，可直接对虚拟库进行优先级排序；RBDD则借助对接与De Novo设计同步优化靶点结合模式，两者结合即可实现“先in silico后实验”的闭环，但目前摘要未提供任何具体命中率、富集因子或实验验证数据，亦未区分体外/体内验证层级。局限方面，文章仅停留在方法学罗列，未讨论靶点结构误差、活性悬崖或假阳性等关键假设，也未给出与高通量实验筛选的横向时间-成本对比，因而可作为入门路线图，尚不足以支撑定量决策。

综述将LBDD的QSAR、药效团与RBDD的对接、从头设计并置为CADD两大技术路线。主张用数学模型替代部分试错实验，但未给出任何定量加速或命中率数据。未涉及结构误差、活性悬崖及实验验证不足等前提假设与局限分析。

原文：A Novel Perspective In Drug Design And Drug Discovery (4d) With Computer-Aided Drug Design (Cadd): A Review

也值得关注

β-分泌酶抑制剂多准则筛选平台分子对接与结合

整合元集成QSAR、结构对接与语言模型加权，从16,196化合物中稳健筛得7个BACE1先导，Mol-2在200 ns动力学中维持1.2–1.6 Å RMSD与98–99%催化双Asp作用，但尚未经体外/体内验证。链接

今日观察

今日观察
LBDD 与 RBDD 被综述并列为 CADD 两条主线，从 QSAR、药效团到对接、从头设计的演进脉络已清晰呈现。作者提出“用数学模型替代部分试错实验”的核心主张，但未给出任何定量加速或命中率数据，也未讨论结构误差、活性悬崖或实验验证不足等前提假设，整篇停留在概念层。

对 AI 药物发现团队的提示：若想在内部落地，需先补齐三项工作——①为每个算法环节设定可量化的命中率或时间节省基线；②在 in silico 阶段即引入结构误差分布与活性悬崖检测；③提前规划从虚拟筛选到体外/体内验证的闭环实验，否则“替代试错”仍是一句口号。

以上内容为个人解读，仅供参考。权威内容请以原论文为准。