“AI数字化文库筛选”提到这个词的时候大家是否有一点耳熟呢，小源以往在介绍“AI数字化助力大分子互作研究”中主要介绍到了其可用于蛋白-蛋白及蛋白-核酸的互作筛选，除了这两个方面的应用外，AI数字化文库筛选还可用于蛋白-化合物的互作筛选。
如今AI与结构生物学深度融合，将生物大数据与高性能计算相结合用于筛选蛋白互作分子研究中，进一步提升了预测准确性。近年来，蛋白-化合物的AI数字化文库筛选被广泛用于药物发现、农业技术、化学生物等研究领域，下面就和小源一起来了解蛋白-化合物的AI数字化文库筛选吧。
01 技术原理
AI数字化文库筛选其核心原理是基于生物信息学和计算生物学的高通量分子互作预测技术，通过计算模拟和数据库检索，在海量候选分子中快速筛选出与目标分子具有潜在互作能力的候选者，其本质是对分子间结合潜力的“理论预测”。
02 技术流程
图 蛋白（化合物）-化合物（蛋白）
AI数字化文库筛选流程
03 应用方向
蛋白-化合物的AI数字化文库筛选在药物发现、农业技术、化学生物等研究领域得到应用广泛。
Part.1 药物发现研究
药物发现是蛋白-化合物的AI数字化文库筛选应用最为广泛的领域，利用它可快速筛选潜在药物靶点，预测化合物与靶蛋白的结合情况，加速药物研发进程。2025年2月，浙江大学徐腾飞团队在Journal of Pharmaceutical Analysis上发表的名为“Natural product virtual-interact-phenotypic target characterization: A novel approach demonstrated with Salvia miltiorrhiza extract”的论文通过虚拟筛选结合化学蛋白质组学和代谢组学，鉴定丹参提取物的生物活性靶点，为天然药物开发提供新思路。
图 虚拟筛选来确定丹参根提取物（SME）的目标群体
Part.2 农业研究
利用虚拟筛选可研究植物与环境因子（害虫、病原菌等）产生的化合物之间的互作，揭示植物与环境的互作机制，为开发新型的植物抗虫病害策略提供理论依据。西北农林科技大学刘西莉课题组在European Journal of Medicinal Chemistry期刊上发表的名为“Discovery of novel inhibitors targeting the PH domain of PcORP1: Virtual screening, structure optimization, biological evaluation”的论文以辣椒疫霉PcORP1（一种OSBPI类卵菌抑制剂的靶标蛋白）的PH结构域为靶点，系统开展了虚拟筛选及结构优化研究，首次发现了靶向PcORP1 PH结构域的抑制剂——化合物X4，为基于PH结构域的杀菌剂创制及植物病害绿色防控提供重要理论依据。
图 药效团模型和虚拟筛选
Part.3 生物化学研究
在生物基础研究中，通过虚拟筛选与特定化合物相互作用的蛋白，有助于研究蛋白质的功能和作用机制，为其他活性蛋白的发现提供重要线索。武汉大学李璐团队在Plant Biotechnology Journal杂志上发表的名为“Structure-based virtual screening aids the identification of glycosyltransferases in the biosynthesis of salidroside”的论文通过虚拟筛选辅助鉴定红景天苷生物合成中的糖基转移酶，并最终从筛选结果中鉴定出2个参与草本植物落新妇红景天苷生物合成的糖基转移酶，为后续发现其他植物生物合成酶提供了线索。
图 基于结构的糖基转移酶虚拟筛选
04 AI数字化文库筛选与湿实验的联合应用
数字化文库筛选与酵母文库筛选实验一样，均只能作为有效缩小下游验证范围的工具，其后续往往需要接其他体系的湿实验来进一步验证筛选结果的准确性。因此在进行蛋白-化合物的AI数字化文库筛选后需接蛋白-化合物互作验证类实验去验证筛选结果的准确性，常见的蛋白-化合物互作验证类实验有表面等离子共振技术(SPR)、微量热泳动(MST)、等温滴定量热法(ITC)和生物膜干涉技术(BLI)等。
Part.1 案例一
2015年3月，第四军医大学西京医院周宇团队在Redox Biology上发表的名为“Targeting PIM1 by Bruceine D attenuates skin fibrosis via myofibroblast ferroptosis”的论文中，作者实验发现丝氨酸/苏氨酸激酶（PIM1）在皮肤纤维化组织中上调，可作为皮肤泛纤维化疾病的治疗靶点，后续作者利用AI数字化文库筛选技术筛选到了与其结合的化合物鸦胆子苦素D（BD），并利用SPR体外仪器互作技术进一步验证了筛选互作结果。
图 BD直接与PIM1结合
Part.2 案例二
2024年8月，在Advanced Science上发表的一篇名为“GJB2 Promotes HCC Progression by Activating Glycolysis Through Cytoplasmic Translocation and Generating a Suppressive Tumor Microenvironment Based on Single Cell RNA Sequencing”的论文，研究利用AI数字化文库筛选技术筛选到与GJB2（一种促进HCC发展的蛋白）结合的化合物丹参酸B（Sal B），研究者利用MST体外互作技术进一步证明了Sal B与GJB2蛋白的结合亲和力。
南京瑞源生物可提供体外仪器互作技术——SPR、BLI、MST、ITC，助力快速筛选互作分子
05 技术对比
AI数字化文库筛选与传统的酵母文库筛选有什么不同呢，小源在技术原理、实验流程、通量大小及实验周期等方面进行了具体的比较，让大家更细致的了解两者的区别，希望在实验方法选择方面能给大家提供一定参考。
06 小源结语
以上就是小源关于蛋白-化合物的AI数字化文库筛选技术的介绍，目前AI数字化文库筛选正以前所未有的深度与广度，重塑着蛋白与分子间互作的研究范式。它将计算科学的精准与高效带入生命科学领域，使我们能够从海量的虚拟化学空间中，快速锚定最具潜力的候选分子，极大地加速了从靶点发现到功能验证的科研进程。
瑞源生物助力筛选蛋白-化合物互作研究
01 技术流程
02 实例展示（以化合物筛选蛋白为例）
Part.1 三维建模
根据化合物结构在数据库中下载化合物的三维结构作为受体，并进行数字化文库的三维模型构建，用于后续分子对接（若诱饵为蛋白，则基于AlphaFold3进行三维结构模型构建）。
图 化合物三维结构
Part.2 数字化筛选
采用Smina完成蛋白—化合物分子对接与再优化，共进行两轮筛选。
第一阶段为初筛：对全部候选配体以--exhaustiveness 16进行快速对接，生成每个配体的候选姿势集合及其Smina能量分数（“能量更低”为更优），随后按分数对同一配体的姿势取最优分数作为该分子的代表值，并在全库层面据此排序，选取排名前5%的分子进入精筛。
第二阶段为精筛：对入围的前5%分子在完全相同的对接盒与输入准备条件下提升采样强度至--exhaustiveness 128重新对接；为获得几何更稳定的姿势，同时启用Smina的局部最小化过程，使入围分子在相同评分函数下完成一致的几何精修与重打分，从而得到更高置信度的亲和力估计与构象。
图 Smina筛选打分结果
Part.3 结合模式分析
筛选最低结合能排名前5的化合物-蛋白复合物进行二维和三维结合位点分析。
图 化合物与蛋白的二维互作图
图 化合物与蛋白的三维互作图
