场景3：方法学开发及验证关于机制或表型杂乱的疾病，挑选之前开发适宜的挑选模型是试验的重中之重，化合物库可以用于新开发挑选模型的验证。如Jong-ChanPark等科学家报道的一个根据信号网络的高效阿尔茨海默病(AD)药物挑选渠道，提出了数学建模和人类iCO相结合的精细医疗策略[4]。为了建立该渠道，作者团队进行了三个过程：(i)从AD参与者中生成iPSC衍生的类组织(iCO)(源于11名参与者的1300个类组织被用于药物评估渠道)。(ii)经过对神经元分子调控网络的剖析，提出了考虑神经元动态的分子调控网络数学模型，进行了根据体系生物学的AD路径数学模拟(包括信令网络构建、网络模型验证、操控节点识别等过程)。(iii)使用该挑选渠道对MCEFDA库中的可透过血脑屏障化合物进行挑选,并经过高内涵挑选(HCS)成像体系定量AD发病程度,验证了所建立的挑选模型的可行性，并得到一系列在AD医治方面具有潜在使用价值的药物。高通量挑选技能因其微量、快速、活络、高效等特色，已经逐渐成为加速药物联合医治研讨的有力东西。酶高通量筛选
运用传统的类先导化合物规范（首要是分子量、clogP）会降低子集挑选中有吸引力的化学开始结构的命中率。因而，2019年的挑选渠道首要依托溶解性和渗透性来选择化合物。除了结构多样性外，2019年的渠道设计还运用NIBR的试验分析数据和揣度的生物学活性概略来界说整个化合物库的丰富性。基于平板的高通量挑选（HTS）仍然是药物发现中小分子化合物命中的首要来源，尽管呈现了无板编码的挑选办法，例如DNA编码文库和基于微流体的办法，以及核算方面的虚拟挑选办法中药化合物筛选高通量筛选检测办法有哪些？
ZINC20新增数十亿分子AlphaFold2给药物研制带来的革新性变化不言而喻：AlphaFold2能低成本猜测疾病相关的蛋白质结构，从而经过药物重定位、虚拟挑选等方法寻找这些疾病的潜在药物。而化合物数据库作为虚拟挑选的重要工具，相同决议了小分子药物研制的速度和质量。ZINC是一个汇总了化合物相关信息的公开数据库，是支撑2D、3D化合物分子方式下载以及可进行快速分子查找、类似物搜索的服务网站，其分子量现已现在增加到近20亿，其间可购买的13亿化合物来自于150个公司共310个产品目录。虽然全球库存化合物的数量(现在约为1400万)每年只增加百分之几，但按需定制化合物数量简直呈指数增加，现在按需定制化合物的需求量现已增加至数百亿个分子，数年后将到达千亿级。ZINC20新增百亿个按需定制化合物(暂未添加到ZINC库中)，这些化合物在骨架和分子多样性上都明显优于物理挑选数据库。
发表在Cell上的Host-Microbe-Drug-NutrientScreenIdentifiesBacterialEffectorsofMetforminTherapy这篇文章给了我们一个答案。文中从四路下手详细的讲述了二甲双胍会引起长命的机制。从线虫到人类，二甲双胍对宿主生理的影响是通过与微生物相互作用方法来调理的。养分这一外在要素在调理宿主和微生物生理以及药物医治疾病的疗效方面也起着关键作用。代谢组学文献分享，事实上，二甲双胍对宿主的影响也是取决于饮食摄入。然而，微生物以何种养分依靠的方法调理这些效应的确切机制仍不清楚。所以作者规划了一个高通量的四路挑选法（四路：宿主-微生物-药物-养分）为二甲双胍在人类中起到长命效应供给了一个潜在的解说。接下来跟小编一起来看看作者是怎样研讨的吧。高通量筛选技能加速联合用药研讨。
其他办法还有声雾电离-质谱剖析和闪烁接近剖析法等。例如ArseniyM.Belov等人在AcousticMistIonization-MassSpectrometry:AComparisontoConventionalHigh-ThroughputScreeningandCompoundProfilingPlatform一文中向咱们展示了声雾电离-质谱剖析的使用，开发了一个高通量能与之兼容的办法，用以检测组蛋白乙酰转移酶活性的按捺。高通量筛选有许多可用的技能，在选择检测办法时，更重要的标准是先对试验进行构思，再设计恰当的筛选办法来检测。例如，在寻觅某种酶的按捺剂时，可通过更加直观的分子水平的筛选办法。两期文章中列出的检测办法虽现已可以涵盖现在发现中的大多数办法，但随着咱们对潜在疾病的生物学过程的了解的深入，需求不断开发新的技能和剖析办法来研究这些日益杂乱的系统。高通量药物筛选寻求充满中线胶质瘤的医治方略。早期化合物毒性筛选
高通量筛选技能可以利用自动化设备及活络的检测体系等使生化或细胞事件可以重复和快速测验化合物数十万次。酶高通量筛选
2021年7月16日，DeepMind团队在Nature上公布了AlphaFold2的源代码。一周后，DeepMind团队再发Nature，公布AlphaFold数据集，再次传开科研圈！AlphaFold数据集覆盖简直整个人类蛋白质组(98.5%的所有人类蛋白)，还包括大肠杆菌、果蝇、小鼠等20个科研常用生物的蛋白质组数据，蛋白质结构总数超越35万个！并且，数据会集58%的猜测结构达到可信水平，其间更有35.7%达到高信度！深究AlphaFold2计算模型发现，AlphaFold2没有学习AlphaFold运用的神经网络相似ResNet的残差卷积网络，而是选用近AI研究中鼓起的Transformer架构，其间与文本相似的数据结构为氨基酸序列，通过多序列比对，把蛋白质的结构和生物信息整合到了深度学习算法中。从模型图中可知，AlphaFold2与AlphaFold不同，并没有选用往常简化了的原子距离或者接触图，而是直接练习蛋白质结构的原子坐标，并运用机器学习方法，对简直所有的蛋白质都猜测出了正确的拓扑学的结构。计算AlphaFold2猜测的结构发现：大约2/3的蛋白质猜测精度达到了结构生物学试验的丈量精度。酶高通量筛选
