简介
拿一个上午阅读了一篇文章，感觉很不错，推一下。文章发表于今年的 4 月左右，还很新。
作者 Anastasiia V. Sadybekov 是做高通量筛选的专家，我最近看的有关她的文章是 2022 年的基于 Synthon 进行百亿级别的药物筛选。我之前也写过相关的推文：
列在下方
超量化合物库筛选策略–P1
这是 Geogle scholar 的检索结果：
计算辅助药物发现（CADD）已经存在了几十年，在此期间学术界和制药界都发生了翻天覆地的变化。变化主要集中于：配体属性信息，靶点的 binding 信息，蛋白质 3D 结构信息的爆发，计算资源的拓展，小分子筛选空间的拓展等等方面。
本文主要回顾了：
- 基于配体的药物研发技术的进展以及遇见的挑战
- 如何快速识别多样性的、结合强的、靶点选择性高的类药性配体。
主体
尽管在基础生命科学和生物技术方面取得了惊人的进展，药物的发现和开发（drug discovery and development ，DDD）仍然非常耗时且昂贵，平均需要大约 15 年和大约 20 亿美元来开发一种小分子药物。
我记得之前是 10 年 10 亿刀 10% 成功率，现在感觉研发越发昂贵了。
计算机辅助药物研发（computer-aided drug discovery，CADD）的概念在 20 世纪 70 年代提出并且逐步发现。1981 年时，由《财富》（Fortune）杂志广泛传播，此后经历了几轮炒作和幻灭。总体上，计算辅助方法已经成为药物发现过程中一个不可或缺但相对平稳的部分。然而，在过去的几年里，一些科学和技术突破导致了计算方法重新登上了浪头。制药和生物技术公司正在扩大其计算药物的能力。许多新老药物研发公司通过基于物理的分子建模与深度学习（DL）和人工智能（AI）相结合的商业模型，筹集了（捞了）数十亿美元。现在期望计算驱动中获取一款 FDA approved 的药物还是为时过早，但是不可忽略的是计算正在产生越来越多的临床候选药物。一些项目宣称 target-to-lead 的时间低至 1-2 个月，或者 target-to-clinic 时间不到 1 年。
这些迹象是计算方法在药物领域扮演角色发生重大变化的前兆？还是又一轮炒作的开始？
Hhh 我想起了一句话：我们距离真正的直接计算药物研发落地还有好几个 Alphafold2 的距离。各位资本大佬可以尝试一下，毕竟股票是主观的，无法建立一个真正的 AI model，但是科学研究是客观的存在的。
