对接打分与结合自由能计算
经典打分函数速度快，适合几十万到百万量级的初筛富集，但打分与真实亲和力相关性有限。基于物理的自由能方法（如 MM/PBSA、FEP 类思路）更接近实测，计算量也大得多，通常只用于十几到几十个候选的复核与排序校正。
25个分析 Skill · Codar 生信插件
AI 药物发现
计算药物发现要回答的是：靶点值不值得做、哪些分子可能结合、结合之后成药性如何。常见数据是靶点结构、化合物库的 SMILES 和公开活性数据。在 Codar 里，这个方向覆盖靶点证据整合、虚拟筛选与对接、QSAR 建模、ADMET 与毒性预测、生成式分子设计、骨架 SAR 分析和逆合成规划。
AI 药物发现能回答哪些研究问题
- 这个靶点有多少证据支持可以成药？
- 化合物库里哪些分子值得优先合成？
- 先导化合物的代谢和毒性风险在哪？
- 怎么改结构既保活性又改善溶解性？
- 已上市药物里有没有可以再利用的？
AI 药物发现分析流程
- 1
确认靶点与口袋
先做靶点证据整合与验证，再定位结合口袋；证据薄弱的靶点先补文献和活性数据，别急着筛。
- 2
整理化合物与活性数据
做结构标准化与格式转换，检索已知结合活性数据，核对化合物身份，去重并处理盐型和互变异构。
- 3
筛选与排序
可做结构基础虚拟筛选、AI 对接、药效团筛选、分子相似性与三维形状检索，按需叠加多种策略取交集。
- 4
成药性评估
对入选分子做 ADMET 性质与毒性预测、毒理风险评估，并查商业可获得性，判断能否直接买到做验证。
- 5
优化与建模
用 QSAR 建模和骨架 SAR 分析找结构-活性规律，再做生成式设计与 ADMET 优化。
- 6
复核与交付
对少量候选做结合自由能与对接姿势验证，输出排序表、分子文件、图表和可复现脚本。
常用方法与怎么选
配体基础与结构基础虚拟筛选
有靶点结构时走结构基础路线，直接对接到口袋；结构不可靠或为柔性靶点时，更稳的是从已知活性分子出发，用药效团、二维相似性和三维形状检索做配体基础筛选。两条路线各自的假阳性模式不同，取交集往往比单用一种更可靠。
QSAR 建模与评估方式
常用描述符加树模型或图神经网络。关键不在算法，而在数据划分：随机划分会因为同系列分子互相泄漏而严重高估性能，骨架划分或时间划分更能反映对新骨架的外推能力。还要界定适用域，域外预测不应直接采信。
ADMET 预测的定位
ADMET 模型通常基于公开实验数据训练，溶解度、渗透性、CYP 抑制这类端点数据较多、相对可用；复杂的体内毒性端点数据少、标注噪声大，更适合做风险分级和去粗取精，而不是替代实验结论。预测结果只用于排序优先级。
需要准备的数据
- 靶点蛋白结构与口袋位置
- 化合物库的 SMILES 或 SDF 文件
- 已知活性数据与阳性对照分子
- 需要优化的先导化合物结构
- 药代分析用的浓度-时间数据
能得到的结果
- 候选分子排序表与对接姿势
- ADMET 与毒性风险预测结果
- QSAR 模型及其性能评估
- 生成式设计产生的新分子
- 骨架与 SAR 分析图表
- 逆合成路线与可获得性清单
AI 药物发现插件包含的分析能力
共 25 项。启用插件后，Codar 会按任务自动选用，不需要逐个记住名称。
- AI蛋白质-配体对接
- 药物-靶点结合活性数据检索
- 生成式分子设计与ADMET优化
- 逆合成路线规划
- 药物再利用候选排序
- ADMET性质与毒性预测
- 化合物信息检索与身份核对
- 非房室药代动力学分析
- 抗菌肽活性与MIC预测
- 化合物商业可获得性检索
- 共价抑制剂设计
- 三维构象与形状相似性
- GPCR配体药理分析
- 候选化合物毒理风险评估
- 分子相似性与子结构检索
- 分子结构标准化与格式转换
- 化学骨架与SAR分析
- 靶向蛋白降解剂设计
- 药效团建模与筛选
- 结合自由能与对接姿势验证
- 分子描述符与指纹计算
- 药物靶点证据整合与验证
- 靶点到先导化合物发现
- QSAR与QSPR建模
- 结构基础虚拟筛选
在 Codar 里怎么用
- 1
切换到生信模式
在 Codar 左上角选择 Codar 生信。
- 2
启用「AI 药物发现」
在插件页找到「AI 药物发现」，安装或启用。
- 3
描述研究问题
用一句话写清数据和目标，确认分析方案后开始执行。
可以这样提问
帮我针对这个靶点蛋白的结合口袋做虚拟筛选，对候选分子做 ADMET 预测，并给出优先级排序。
AI 药物发现常见问题
虚拟筛选的命中率一般怎么看？
虚拟筛选的作用是富集，不是直接给出活性分子。常规做法是筛完后挑出排名靠前且骨架多样的一批做实验验证，并同时跑诱饵分子评估富集情况。只看打分最高的几个分子风险很大，因为打分函数偏好大分子和高疏水性结构，容易选出难以成药的候选。
ADMET 预测结果可以直接用来淘汰化合物吗？
更合适的用法是排序和预警，而不是硬性淘汰。预测的可靠性取决于分子是否落在模型适用域内，骨架新颖的分子往往超出训练数据范围。实践中常把多个端点合起来看趋势，对预测风险高的结构优先安排体外实验核实，再决定去留。
生成式分子设计产出的分子能合成吗？
不一定。生成模型容易给出打分漂亮但合成路线不明的结构，所以通常要加合成可及性约束，并对候选做逆合成路线规划和商业可获得性检索。能直接买到的类似物往往比全新结构更适合先验证想法。全部计算结果都需要实验确认。
其他生信插件
macOS 12+Mac
Windows 10+Windows