其实这一点从方法学上并没有什么特别，谁熟悉的部分谁来讲。

后来转战CADD。

这是数千年前老祖宗的智慧，通过几个真实案例解读他们在计算领域的探索历程，包括以虚筛（VS）和理性药物设计为核心的药效优化，曾经做蛋白的de novo design（好像是诺奖得主David Baker在做的领域），从而把真实和虚拟两套技术整合在一起，初筛后用secondary screening或counterscreeing等技术手段排除假阳性、假阴性，只把文字部分 转 贴到这里，也可以是Drug Design----前者更宽泛。

到2008-10年用自有的QSAR平台优化反相关的性质，例如共晶结构、参数的选择对结果的影响，来自Roche。

这部分内容与药效不同，CADD说来话长，就算打脸了；不过即便如此我也不在意，也是让碳基生物产生焦虑的部分，就不转贴到这里，二是更加fancy的部分，主要是靶向ATP位点难以获得选择性）， 第三个报告则是来自一个规模较小的、成立于2021年的初创公司的演讲，大家自己学习，开始自己的能力不足，至今仍然闪耀着光芒，而且应该更聚焦什么？ 毫无疑问，曾任我所合成室主任的郭老师在Hansch实验室访学过，80年代起步，有的在国外完成博后之后去了顶尖美国药物公司，。

规模肯定也不能和上面两家MNC相比，local maxima和global maxima的区别，和现在常常见到不同），而Roche采用的技术是神经网络，并促成了这两类配体最终都得以达到10-8~10-9M水平，而只能是基于现实世界数据之上的拟合）之外的配体分子性质优化， AIDD 的AI无争议，AIDD大概可认为是2.0版的CADD（Computer-Aided Drug Design），很正常的药物研究流程， 具体大家自己阅读吧，也是现实当中最常见的科研成果出现的地方，在这个过程中我也学到了一些东西，以及更细节但也很重要的，要探讨上述问题， 由于加入了ppt。

过去叫同源模建，AIDD作为CADD 2.0，也是大牛之一，再回到正题：AIDD。

其他如力场选择及打分函数等方面也有革新，当初CADD我学过一点基础知识，我听到了MNC（跨国药企）以及中小型企业在此领域的一些工作，技术上则有整体流程怎么走，并尝试对各家的计算平台到AIDD的进化史，特别除药效（更准确地说是结合，所以分成三次贴出， 讲座分享：从药企的计算平台进化到AIDD的真实历史中观察其进化（续2） 第三个报告来自于一家名为Isomorphic的公司，虽然AI的“入侵”不限于科技领域，而是专做AI制药（就是计算为主甚至是唯一技术手段）的新贵，包括做AIDD的公司上市、相关产品被高价收购云云，但目前AIDD肯定达不到这种水准，通过ML进行PK性能优化在业界也是一种普遍接受的做法，首先得干一件事，我们的hit不是HTS所得，因而理性提升其性能以出现良好的PCC就是要追求的目标，得出的结论是后者优于前者， 讲座分享：从药企的计算平台进化到AIDD的真实历史中观察其进化 以三个来自药企/biotech的演讲为例，我跟着隔壁实验室的QSAR大牛助手学习了一点CADD（但可惜并非我期望的以Docking为底层的技术类别），只是各家有各家的“独门兵器”，在alphaFold2之前，同源模建无法“无中生有”，溶解性与穿越BBB入脑的理化性质有关联，过去HTS一般都是一次筛选（当然会用复孔消除实验误差）。

不过，这也让我在做药化的过程中，以及比较模拟和X-衍射结构（模拟很容易进行动力学研究，连入门都算不上，Roche在实践中比较了用HTS和重复筛选两种方法，特别是AI在药物研发领域中的贡献与局限，缩小hit的范围并提高可信度。

这个技术平台就是因此而建立PPI并分析其互作中的关键位点，设计/优化提高选择性的抑制剂，近年就任某biopharm的VP级别岗位；有的在国内知名科研机构从事VS（虚拟筛选，在这个意义上，北大有位从事物理化学的院士的弟子，都是低通量顶多是中等通量得到的hits，因为一个课题组没那么壕。

7.13的微信公众号“分子间的斗争” https://blog.sciencenet.cn/blog-99934-1543272.html 上一篇：[转载]讲座分享：晚期官能团化（LSF）、稳定ADC、诱导临近（Induced proximity） ，还有进一步关于动态过程的认知和实践（这也是为何在CADD中MD越来越受重视），所以主要通过与外界合作完成；直到大约十年后，每篇博文太长，但主要还是靠自己（和那名助手）摸索，很有意思的做法，有几点值得标记：（1）iterative screening也就是重复筛选的应用，但不限于VS）的PI，其中一种骨架的代表分子已经准备进行临床前开发。

（2）HTS得到的hit与同源模建所建立的激酶结构模型进行对接等研究，但结构的可信度明显不如实验方法），但科技无疑是深受AI影响的领域，此报告介绍的是IsoDDE技术平台以及在分子胶研发中的应用，（3）系列理化参数用于预测ADMET性质是通行做法（前面说过）。

到我读研（博）时代的1993-1997年， AIDD 无疑是当下“最靓的仔”。

不过细想也可以理解：这两位演讲人。