가상 스크리닝

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.

1. 개요
2. 방법
3. 컴퓨팅 인프라
- 3.1. 리간드 기반 접근 방식
- 3.2. 구조 기반 접근 방식
4. 정확도
5. 신약 개발 응용
참조

1. 개요

가상 스크리닝은 컴퓨터를 사용하여 대규모 화합물 라이브러리에서 특정 생물학적 표적에 결합할 가능성이 있는 분자를 식별하는 데 사용되는 기술이다. 이 기술은 리간드 기반 스크리닝과 구조 기반 스크리닝의 두 가지 주요 접근 방식으로 나뉜다. 리간드 기반 방법은 알려진 활성 물질의 특성을 활용하여 유사한 분자를 검색하는 반면, 구조 기반 방법은 표적 단백질의 구조를 사용하여 분자의 결합 가능성을 평가한다. 가상 스크리닝은 신약 개발 과정에서 유망한 후보 물질을 빠르게 찾고, 실험적 연구를 통해 검증하는 데 중요한 역할을 한다.

더 읽어볼만한 페이지

약물 발견 - 역약리학
약물 발견 - 화학정보학
화학정보학은 화학, 컴퓨터 과학, 정보 과학을 융합하여 신약 개발에 기여하는 학문 분야이며, 화합물 정보 관리, 가상 스크리닝 등 다양한 분야에 응용된다.
화학정보학 - 민감도와 특이도
민감도와 특이도는 의학적 진단에서 검사의 정확성을 평가하는 지표로, 민감도는 실제 양성인 대상 중 양성으로 나타나는 비율, 특이도는 실제 음성인 대상 중 음성으로 나타나는 비율을 의미하며, 선별 검사에서 두 지표를 모두 높여 질병을 정확하게 진단하는 것을 목표로 한다.
화학정보학 - 화학 데이터베이스
화학 데이터베이스는 화학 구조, 반응, 스펙트럼, 물성 등 화학 정보들을 디지털 형태로 저장 및 관리하는 시스템으로, 화학 물질 특성 규명, 신약 설계, 물질 검색 등에 활용되며 부분 구조 검색과 같은 기능도 제공한다.

가상 스크리닝
개요
유형	전산화된 가상 실험
목적	리드 화합물 발견
방법	구조 기반 가상 스크리닝 리간드 기반 가상 스크리닝
관련 학문	약학 화학 정보학
상세 정보
구조 기반 가상 스크리닝	단백질 구조 정보를 활용하여 리간드 결합 예측
리간드 기반 가상 스크리닝	알려진 활성 리간드의 정보를 활용하여 새로운 활성 분자 식별
적용 분야	신약 개발 물질 과학
장점	비용 절감 시간 절약 대량의 화합물 스크리닝 가능
단점	예측 정확도 문제 계산 자원 요구

2. 방법

가상 스크리닝 기법에는 크게 리간드 기반 방법과 구조 기반 방법 두 가지가 있다.^[6]

리간드 기반 방법: 수용체에 결합하는 것으로 알려진 리간드들의 구조를 비교하여, 구조가 알려지지 않은 수용체의 구조를 예측하고 모델을 구축한다.
구조 기반 방법: 연구 대상 활성 리간드의 분자 표적인 수용체의 구조를 고려하는 다양한 계산 기술을 포함한다. 여기에는 분자 도킹, 구조 기반 약물 작용기 예측, 분자 역학 시뮬레이션 등이 있다.^[16]^[17]^[7]

이 외에도 구조적 유사성 및 리간드 유사성에 의존하는 하이브리드 방법이 개발되어 기존 가상 스크리닝의 한계를 극복하고자 한다.^[23]

2. 1. 리간드 기반 방법

수용체에 결합하는 것으로 알려진 리간드들의 구조를 비교하여, 구조가 알려지지 않은 수용체의 구조를 예측하고 모델을 구축한다. 이 방법은 특정 분자 수용체 또는 세포주에 대한 작용 방식을 알 수 있게 하는 다양한 리간드의 구조적, 전자적, 분자 형태 및 물리화학적 유사성을 탐구한다.^[7] 그런 다음 후보 리간드를 약물 특징 모델과 비교하여 호환되는지, 따라서 결합할 가능성이 있는지 확인한다.^[8]

활성 리간드를 찾기 위해 데이터베이스를 검색할 때 다양한 2D 화학적 유사성 분석 방법이 사용된다.^[9] 또한, 알려진 활성 물질과 유사한 형태의 분자를 검색하는 것도 리간드 기반 가상 스크리닝에서 인기 있는 접근 방식이다. 이러한 분자는 표적의 결합 부위에 적합하므로 표적에 결합할 가능성이 높다. 문헌에는 이 기술에 대한 다수의 잠재적 응용 분야가 있다.^[10]^[11]^[12] 이러한 3D 방법의 약물 특징 확장은 웹 서버로도 자유롭게 사용할 수 있다.^[13]^[14]

수용체에 리간드가 어떻게 결합할지 예측하며, 구조를 알지 못하는 경우 약물 작용점 특징을 사용하여 각 리간드는 공여체와 수용체를 식별한다. 등가 특징이 중첩되지만 단일 정답이 있을 가능성은 낮다.^[36]

한 종류의 활성 리간드에 대한 화학적 유사성을 바탕으로 데이터베이스를 검색하는 방법도 있다.^[55]

2. 1. 1. 파마코포어 모델링

구조적으로 다양한 리간드 집합이 수용체에 결합하는 경우, 이러한 리간드 집합에 포함된 집합적 정보를 활용하여 수용체 모델을 구축할 수 있다. 서로 다른 계산 기술은 특정 분자 수용체 또는 세포주에 대한 작용 방식을 암시할 수 있는 다양한 리간드의 구조적, 전자적, 분자 형태 및 물리화학적 유사성을 탐구한다.^[7] 그런 다음 후보 리간드를 약물 특징 모델과 비교하여 호환되는지, 따라서 결합할 가능성이 있는지 확인할 수 있다.^[8]

파마코포어는 생물학적 반응을 촉진하기 위해 생물학적 표적 구조와 최적의 초분자 상호 작용 또는 상호 작용을 하는 데 필요한 입체적 및 전자적 특징들의 앙상블이다. 활성 물질 세트로 대표 물질을 선택하면 대부분의 방법이 유사한 결합을 찾는다.^[37] 여러 개의 강성 분자를 사용하는 것이 좋으며 리간드는 다양화되어야 한다. 즉, 결합 단계에서 발생하지 않는 다양한 특징이 있는지 확인해야 한다.^[7]

구조가 알려지지 않은 수용체에 대해, 결합하는 것이 알려진 리간드 간의 구조를 비교하여 수용체의 구조를 예상하고 모델을 구축한다. 생리 활성을 나타내기 위한 리간드에 필수적인 부분 구조를 파마코포어라고 한다. 후보 리간드의 구조와 파마코포어 모델을 비교하여 리간드가 수용체와 결합할 가능성을 검토한다.^[54]

2. 1. 2. 모양 기반 가상 스크리닝

구조적으로 다양한 리간드 집합이 수용체에 결합하는 경우, 이러한 리간드 집합에 포함된 집합적 정보를 활용하여 수용체 모델을 구축할 수 있다. 서로 다른 계산 기술은 특정 분자 수용체 또는 세포주에 대한 작용 방식을 암시할 수 있는 다양한 리간드의 구조적, 전자적, 분자 형태 및 물리화학적 유사성을 탐구한다.^[7] 그런 다음 후보 리간드를 약물 특징 모델과 비교하여 호환되는지, 따라서 결합할 가능성이 있는지 확인할 수 있다.^[8] 데이터베이스를 검색하여 활성 리간드를 찾기 위해 다양한 2D 화학적 유사성 분석 방법이 사용되었다.^[9] 리간드 기반 가상 스크리닝에 사용되는 또 다른 인기 있는 접근 방식은 알려진 활성 물질과 유사한 형태의 분자를 검색하는 것으로, 이러한 분자는 표적의 결합 부위에 적합하므로 표적에 결합할 가능성이 높다. 문헌에는 이 부류의 기술에 대한 다수의 잠재적 응용 분야가 있다.^[10]^[11]^[12] 이러한 3D 방법의 약물 특징 확장은 웹 서버로도 자유롭게 사용할 수 있다.^[13]^[14] 또한 형태 기반 가상 스크리닝도 상당한 인기를 얻고 있다.^[15]

분자 형태 유사성 기반 접근 방식은 중요하고 널리 사용되는 가상 스크리닝 기술로 자리 잡았다. 현재 고도로 최적화된 스크리닝 플랫폼인 ROCS(Rapid Overlay of Chemical Structures)는 형태 기반, 리간드 중심 가상 스크리닝의 사실상 업계 표준으로 간주된다.^[38]^[39]^[40] 이 기술은 가우스 함수를 사용하여 작은 유기 분자의 분자 부피를 정의한다. 질의 분자의 컨포메이션 선택은 덜 중요하며, 형태 기반 스크리닝은 리간드 기반 모델링에 이상적이다. 질의 분자에 대한 생리 활성 컨포메이션의 유무는 스크리닝의 제한 요소가 아니며, 스크리닝 성능을 결정하는 것은 질의 화합물 선택에 달려있다.^[15] Autodock-SS와 같은 다른 형태 기반 분자 유사성 방법도 개발되었다.^[41]

2. 1. 3. 필드 기반 가상 스크리닝

구조적으로 다양한 리간드 집합이 수용체에 결합하는 경우, 이러한 리간드 집합에 포함된 정보를 활용하여 수용체 모델을 구축할 수 있다. 서로 다른 계산 기술은 특정 분자 수용체 또는 세포주에 대한 작용 방식을 알 수 있게 하는 다양한 리간드의 구조적, 전자적, 분자 형태 및 물리화학적 유사성을 탐구한다.^[7] 그런 다음 후보 리간드를 약물 특징 모델과 비교하여 호환되는지, 따라서 결합할 가능성이 있는지 확인할 수 있다.^[8] 데이터베이스를 검색하여 활성 리간드를 찾기 위해 다양한 2D 화학적 유사성 분석 방법이 사용되었다.^[9] 리간드 기반 가상 스크리닝에 사용되는 또 다른 인기 있는 접근 방식은 알려진 활성 물질과 유사한 형태의 분자를 검색하는 것이다. 이러한 분자는 표적의 결합 부위에 적합하므로 표적에 결합할 가능성이 높다. 문헌에는 이 부류의 기술에 대한 다수의 잠재적 응용 분야가 있다.^[10]^[11]^[12] 이러한 3D 방법의 약물 특징 확장은 웹 서버로도 자유롭게 사용할 수 있다.^[13]^[14] 형태 기반 가상 스크리닝도 상당한 인기를 얻고 있다.^[15]

형태 기반 유사성 방법의 개선 사항으로, 필드 기반 방법은 질의로 사용된 화학 구조에 관계없이 리간드-수용체 상호 작용에 영향을 미치는 모든 필드를 고려하려고 시도한다. 이러한 방법에는 정전기장 또는 소수성 필드와 같은 다양한 필드가 사용된다.^[42]^[43]

2. 1. 4. 정량적 구조-활성 상관관계 (QSAR)

정량적 구조-활성 상관 관계 (QSAR) 모델은 알려진 활성 화합물과 알려진 비활성 화합물 집합에서 추출한 정보를 기반으로 하는 예측 모델이다.^[44] 구조-활성 상관 관계(SAR)는 데이터를 정성적으로 처리하며 구조적 클래스와 둘 이상의 결합 모드에 사용할 수 있다. 이 모델은 선도 물질 발견을 위해 화합물의 우선순위를 정한다.

2. 1. 5. 기계 학습 알고리즘

구조적으로 다양한 리간드 집합이 수용체에 결합하는 경우, 이러한 리간드 집합에 포함된 집합적 정보를 활용하여 수용체 모델을 구축할 수 있다. 서로 다른 계산 기술은 특정 분자 수용체 또는 세포주에 대한 작용 방식을 암시할 수 있는 다양한 리간드의 구조적, 전자적, 분자 형태 및 물리화학적 유사성을 탐구한다.^[7] 그런 다음 후보 리간드를 약물 특징 모델과 비교하여 호환되는지, 따라서 결합할 가능성이 있는지 확인할 수 있다.^[8] 데이터베이스를 검색하여 활성 리간드를 찾기 위해 다양한 2D 화학적 유사성 분석 방법이 사용되었다.^[9] 리간드 기반 가상 스크리닝에 사용되는 또 다른 인기 있는 접근 방식은 알려진 활성 물질과 유사한 형태의 분자를 검색하는 것으로, 이러한 분자는 표적의 결합 부위에 적합하므로 표적에 결합할 가능성이 높다. 문헌에는 이 부류의 기술에 대한 다수의 잠재적 응용 분야가 있다.^[10]^[11]^[12] 이러한 3D 방법의 약물 특징 확장은 웹 서버로도 자유롭게 사용할 수 있다.^[13]^[14] 또한 형태 기반 가상 스크리닝도 상당한 인기를 얻고 있다.^[15]

기계 학습 알고리즘은 가상 스크리닝 접근 방식에 널리 사용되어 왔다. 지도 학습 기술은 알려진 활성 화합물과 알려진 비활성 화합물로 구성된 훈련 및 테스트 데이터 세트를 사용한다. 재귀적 분할, 서포트 벡터 머신, 랜덤 포레스트, K-최근접 이웃 및 인공 신경망과 같은 다양한 기계 학습 알고리즘이 가상 스크리닝 전략에 성공적으로 적용되었다.^[45]^[46]^[47] 이러한 모델은 화합물이 활성일 확률을 찾은 다음 각 화합물을 해당 확률을 기반으로 순위를 매긴다.

2. 2. 구조 기반 방법

구조 기반 가상 스크리닝은 연구 대상 활성 리간드의 분자 표적인 수용체의 구조를 고려하는 다양한 계산 기술을 포함한다. 이러한 기술에는 분자 도킹, 구조 기반 약물 작용기 예측, 분자 역학 시뮬레이션 등이 있다.^[16]^[17]^[7] 가상 스크리닝에는 크게 리간드 기반 방법과 구조 기반 방법 두 가지 접근 방식이 있다.^[53]

2. 2. 1. 분자 도킹

구조 기반 가상 스크리닝 접근 방식은 조사된 활성 리간드의 분자 표적인 수용체의 구조를 고려하는 다양한 계산 기술을 포함한다. 이러한 기술에는 분자 도킹, 구조 기반 약물 작용기 예측, 분자 역학 시뮬레이션 등이 있다.^[16]^[17]^[7] 분자 도킹은 가장 많이 사용되는 구조 기반 기술이며, 점수 함수를 적용하여 고분자 수용체의 결합 부위에 대한 각 리간드의 적합성을 추정하여 가장 높은 친화도를 가진 리간드를 선택하는 데 도움을 준다.^[18]^[19]^[20] 현재, 예비 가상 스크리닝을 위한 일부 웹 서버가 존재한다.^[21]^[22]

구조 기반 가상 스크리닝은 후보 리간드의 표적 단백질에 대한 모양의 적합성(도킹) 평가와 결합 강도의 수치화를 통해 단백질과 리간드의 친화도를 추정한다.^[56]^[57]

2. 2. 2. 단백질-리간드 도킹

구조 기반 가상 스크리닝은 연구 대상 활성 리간드의 분자 표적인 수용체의 구조를 고려하는 다양한 계산 기술을 포함한다. 이러한 기술에는 분자 도킹, 구조 기반 약물 작용기 예측, 분자 역학 시뮬레이션 등이 있다.^[16]^[17]^[7] 분자 도킹은 가장 널리 사용되는 구조 기반 기술로, 점수 함수를 적용하여 고분자 수용체의 결합 부위에 대한 각 리간드의 적합성을 평가하여 가장 높은 결합력을 가진 리간드를 선택하는 데 사용된다.^[18]^[19]^[20] 현재, 예비 가상 스크리닝을 위한 몇몇 웹 서버들이 존재한다.^[21]^[22]

리간드는 도킹 검색 알고리즘과 점수 함수를 사용하여 단백질 내 활성 부위에 결합될 수 있으며, 이를 통해 각 리간드에 대해 가장 가능성이 높은 원인을 식별하고 우선순위를 정할 수 있다.^[49]

구조 기반 가상 스크리닝은 후보 리간드의 표적 단백질에 대한 모양 적합성(도킹)을 평가하고 결합 강도를 수치화하여 단백질과 리간드의 결합력을 예측한다.^[56]^[57]

2. 3. 하이브리드 방법

구조적 유사성 및 리간드 유사성에 의존하는 하이브리드 방법은 기존의 가상 스크리닝(VLS) 접근 방식의 한계를 극복하기 위해 개발되었다. 이러한 방법론은 진화 기반 리간드 결합 정보를 활용하여 저분자 결합체를 예측하고^[23]^[24], 전체적인 구조적 유사성과 포켓 유사성을 모두 사용할 수 있다.^[23]

전체 구조적 유사성 기반 접근 방식은 실험적 구조 또는 예측된 단백질 모델을 사용하여 PDB 홀로 템플릿 라이브러리의 단백질과 구조적 유사성을 찾는다. 상당한 구조적 유사성이 감지되면 2D 지문 기반 타니모토 계수 메트릭을 적용하여 선택된 홀로 PDB 템플릿에서 추출한 리간드와 유사한 저분자를 선별한다.^[25]^[26] 이 방법의 예측은 실험적으로 평가되었으며 활성 저분자 식별에 좋은 결과를 보여준다.

위에 명시된 방법은 전체 구조적 유사성에 의존하며 관심 단백질에서 특정 리간드 결합 부위를 ''사전에'' 선택할 수 없다. 또한, 이 방법은 리간드에 대한 2D 유사성 평가에 의존하므로, 실질적으로 다르지만 기하학적 형태 유사성을 보이는 저분자의 입체 화학적 유사성을 인식할 수 없다. 이러한 문제를 해결하기 위해 홀로 단백질 템플릿에서 특정 결합 포켓을 타겟팅할 수 있는 새로운 포켓 중심 접근 방식인 ''PoLi''가 개발되어 실험적으로 평가되었다.

3. 컴퓨팅 인프라

원자 간의 쌍별 상호 작용 계산은 많은 가상 스크리닝 프로그램 작동에 필수적이며, $O(N^{2})$ 으로 확장된다. 여기서 ''N''은 시스템 내 원자 수이다. 이차적인 확장으로 인해 계산 비용이 빠르게 증가한다.^[54]

많은 가상 스크리닝에서 필수적인 원자 간의 상호작용 계산은, 연산상 N개의 원자에 대해 $O(N^{2})$ 의 복잡성을 가진다. 즉, 상호작용을 알고자 하는 대상이 되는 원자 수의 제곱에 비례하여 연산량이 증가한다. 이러한 지수 함수적 연산량 증가 때문에, 고려하는 원자 수가 적은 리간드 기반 방법에서는 노트북으로도 가능하지만, 많은 원자가 관련된 구조 기반 방법에서는 대형 범용 컴퓨터가 필요하다.

3. 1. 리간드 기반 접근 방식

리간드 기반 접근 방식은 구조가 알려지지 않은 수용체에 대해, 결합하는 것으로 알려진 리간드 간의 구조를 비교하여 수용체의 구조를 예측하고 모델을 구축하는 방식이다. 생리 활성을 나타내기 위해 리간드에 필수적인 부분 구조를 파마코포어라고 한다. 후보 리간드의 구조와 파마코포어 모델을 비교하여 리간드가 수용체와 결합할 가능성을 검토한다^[54]。

또 다른 접근법으로는, 한 종류의 활성 리간드에 대한 화학적 유사성을 바탕으로 데이터베이스를 검색하는 방법이 있다^[55]。

가상 스크리닝에서 필수적인 원자 간의 상호작용 계산은, 연산상 N개의 원자에 대해

O(N^{2})

의 복잡성을 가진다. 즉, 상호작용을 알고자 하는 대상이 되는 원자 수의 제곱에 비례하여 연산량이 증가한다. 이러한 지수 함수적 연산량 증가 때문에, 고려하는 원자 수가 적은 리간드 기반 방법에서는 노트북으로도 가능하지만, 많은 원자가 관련된 구조 기반 방법에서는 대형 범용 컴퓨터가 필요하다.

일반적인 리간드 기반 접근법에서는 각 구조 비교가 1초 안에 완료된다. 따라서 단일 CPU로도 비교적 큰 규모의 스크리닝을 수 시간 안에 완료할 수 있다. 여러 비교를 병렬 처리하면 전체 처리 속도를 더욱 높일 수 있다.

3. 2. 구조 기반 접근 방식

구조 기반 가상 스크리닝은 후보 리간드가 표적 단백질에 얼마나 잘 맞는지를 평가(도킹)하고, 결합 강도를 수치화하여 단백질과 리간드의 결합 친화도를 예측한다.^[56]^[57]

많은 가상 스크리닝에서 필수적인 원자 간 상호작용 계산은, N개의 원자에 대해

O(N^{2})

의 복잡도를 가진다. 즉, 상호작용을 계산하려는 원자 수의 제곱에 비례하여 계산량이 증가한다. 이러한 계산량 증가 때문에, 고려하는 원자 수가 적은 리간드 기반 방법은 노트북으로도 가능하지만, 많은 원자가 관련된 구조 기반 방법은 대형 범용 컴퓨터가 필요하다.

구조 기반 방법은 계산량이 많기 때문에 컴퓨터 클러스터와 같은 병렬 처리 시스템에서 Sun Grid Engine이나 Torque PBS와 같은 배치 처리 작업 관리 시스템을 사용하여 처리해야 한다.

대규모 화합물 라이브러리에서 데이터를 가져와 처리하고, 병렬 계산을 수행하는 여러 노드에 화합물 데이터를 분배하는 방법이 필요하다. 일반적인 데이터베이스 엔진은 속도가 느릴 수 있으므로, Berkeley DB와 같은 고속 데이터베이스 관리 시스템이 더 적합하다. 또한, 각 클러스터 노드의 시작 시간이 오래 걸릴 수 있으므로, 한 번의 작업에서 하나의 화합물만 비교하는 것은 비효율적이다. 이를 해결하기 위해 각 클러스터 작업에서 여러 화합물을 한 번에 처리하고, 결과를 로그 파일에 모은다. 모든 계산이 끝난 후, 로그 파일을 분석하여 점수가 높은 후보 화합물을 추출하는 추가적인 과정이 필요하다.

4. 정확도

가상 스크리닝의 목표는 관심 표적에 결합하는 새로운 화학 구조의 분자를 식별하는 것이다. 따라서 가상 스크리닝의 성공은 전체 적중 횟수보다는 흥미로운 새로운 골격을 찾는 것으로 정의된다. 그러므로 가상 스크리닝 정확도에 대한 해석은 주의해서 고려해야 한다. 이미 알려진 골격의 높은 적중률보다 흥미로운 골격의 낮은 적중률이 분명히 더 바람직하다.

문헌에 발표된 가상 스크리닝 연구 대부분의 테스트는 사후 검증이다. 이러한 연구에서 VS 기술의 성능은 관심 표적에 대한 친화성을 가진 작은 세트의 이전에 알려진 분자(활성 분자 또는 단순 활성제)를, 가상 비활성제 또는 디코이의 비율이 훨씬 높은 라이브러리에서 검색하는 능력으로 측정된다. 해당 활성 분자의 특성을 일치시켜 디코이를 선택하는 몇 가지 뚜렷한 방법이 있으며^[27], 최근에는 특성이 일치하지 않는 방식으로 디코이를 선택하기도 한다.^[28] 훈련 또는 테스트 목적으로 디코이 선택의 실제 영향에 대해서도 논의되었다.^[28]^[29]

반면, 가상 스크리닝의 전향적 응용 분야에서는 결과로 얻은 적중 물질에 대해 실험적 확인(예: IC₅₀ 측정)을 거친다. 사후 검증 벤치마크는 전향적 성능을 잘 예측하지 못한다는 데 의견이 일치하며, 결과적으로 특정 표적에 대한 기술의 적합성에 대한 결정적인 증거는 전향적 연구뿐이다.^[30]^[31]^[32]^[33]^[34]

5. 신약 개발 응용

가상 스크리닝은 신약 개발 초기 단계에서 유망한 분자를 식별하는 데 매우 유용하게 활용된다. 의약 화학 산업에서 가상 스크리닝 접근법이 중요하고 실질적인 기술로 자리매김하면서, 그 사용이 빠르게 증가했다.^[1]

참조

_[1] 논문 From virtuality to reality - Virtual screening in lead discovery and lead optimization: a medicinal chemistry perspective 2008-07
_[2] 서적 Natural Compounds as Drugs Volume I
_[3] 논문 Virtual screening – an overview
_[4] 논문 The art and practice of structure-based drug design: a molecular modeling perspective
_[5] 서적 Drug Discovery Research. New Frontiers in the Post-Genomic Era Wiley-VCH: Weinheim, Germany 2007-06-11
_[6] 논문 Virtual screening strategies in drug discovery 2007-10
_[7] 논문 Applications of Virtual Screening in Bioprospecting: Facts, Shifts, and Perspectives to Explore the Chemo-Structural Diversity of Natural Products 2021-04-29
_[8] 논문 Pharmacophore-based virtual screening
_[9] 논문 Chemical similarity searching
_[10] 논문 A shape-based 3-D scaffold hopping method and its application to a bacterial protein-protein interaction 2005-03
_[11] 논문 Prospective virtual screening with Ultrafast Shape Recognition: the identification of novel inhibitors of arylamine N-acetyltransferases 2010-02
_[12] 논문 Advances in the Development of Shape Similarity Methods and Their Application in Drug Discovery 2018
_[13] 논문 USR-VS: a web server for large-scale prospective virtual screening using ultrafast shape recognition techniques 2016-07
_[14] 논문 wwLigCSRre: a 3D ligand-based server for hit identification and optimization 2009-07
_[15] 논문 How To Optimize Shape-Based Virtual Screening: Choosing the Right Query and Including Chemical Information 2009
_[16] 논문 Structure-based virtual screening approach for discovery of covalently bound ligands 2014-07
_[17] 논문 Structure-Based Virtual Screening: From Classical to Artificial Intelligence 2020-04-28
_[18] 논문 Structure-based drug design: docking and scoring 2007-08
_[19] 논문 Ligand docking and structure-based virtual screening in drug discovery
_[20] 논문 Function-specific virtual screening for GPCR ligands using a combined scoring method 2016-06
_[21] 논문 Automated docking screens: a feasibility study 2009-09
_[22] 논문 istar: a web platform for large-scale protein-ligand docking 2014-01-24
_[23] 논문 FINDSITE(comb): a threading/structure-based, proteomic-scale virtual ligand screening approach 2013-01
_[24] 논문 LIGSIFT: an open-source tool for ligand structural alignment and virtual screening 2015-02
_[25] 논문 ChEMBL: a large-scale bioactivity database for drug discovery 2012-01
_[26] 논문 DrugBank: a comprehensive resource for in silico drug discovery and exploration 2006-01
_[27] 논문 Decoys Selection in Benchmarking Datasets: Overview and Perspectives 2018
_[28] 논문 Selecting machine-learning scoring functions for structure-based virtual screening 2019-12
_[29] 논문 Machine-learning scoring functions for structure-based virtual screening 2021
_[30] 논문 Most Ligand-based classification benchmarks reward memorization rather than generalization
_[31] 논문 Community benchmarks for virtual screening
_[32] 논문 Optimization of CAMD techniques 3. Virtual screening enrichment studies: a help or hindrance in tool selection?
_[33] 논문 Virtual screening: an endless staircase? 2010-04
_[34] 논문 Ultrafast shape recognition: method and applications 2011-01
_[35] 논문 Virtual screening strategies in drug discovery: a critical review 2013
_[36] 웹사이트 Ligand-Based and Structure-Based Virtual Screening https://www.ebi.ac.u[...] The University of Sheffield
_[37] 논문 One concept, three implementations of 3D pharmacophore-based virtual screening: distinct coverage of chemical search space
_[38] 논문 A fast method of molecular shape comparison: a simple application of a Gaussian description of molecular shape
_[39] 논문 Molecular shape and electrostatics in the encoding of relevant chemical information
_[40] 논문 A shape-based 3-D scaffold hopping method and its application to a bacterial protein-protein interaction
_[41] 논문 AutoDock-SS: AutoDock for Multiconformational Ligand-Based Virtual Screening 2024-05
_[42] 논문 FieldScreen: virtual screening using molecular fields. Application to the DUD data set 2008-11
_[43] 논문 Virtual Screening Strategies for Identifying Novel Chemotypes 2024-05
_[44] 논문 QSAR-Based Virtual Screening: Advances and Applications in Drug Discovery 2018-11-13
_[45] 논문 A Recurrent Neural Network model to predict blood-brain barrier permeability 2020-12
_[46] 논문 DrugClust: A machine learning approach for drugs side effects prediction 2017-06
_[47] 논문 THPep: A machine learning-based approach for predicting tumor homing peptides 2019-06
_[48] 논문 An improved method of substructure analysis 1978-02
_[49] 논문 Structure Based Design and Molecular Docking Studies for Phosphorylated Tau Inhibitors in Alzheimer's Disease 2019-03
_[50] 논문 From virtuality to reality - Virtual screening in lead discovery and lead optimization: A medicinal chemistry perspective
_[51] 논문 Virtual screening for the discovery of bioactive natural products
_[52] 논문 Virtual screening – an overview
_[53] 논문 Virtual screening strategies in drug discovery
_[54] 논문 Pharmacophore-based virtual screening
_[55] 논문 Chemical similarity searching
_[56] 논문 Structure-based drug design: docking and scoring
_[57] 논문 Ligand docking and structure-based virtual screening in drug discovery
_[58] 웹인용 Ligand-Based and Structure-Based Virtual Screening https://www.ebi.ac.u[...] The University of Sheffield
_[59] 저널 From virtuality to reality - Virtual screening in lead discovery and lead optimization: a medicinal chemistry perspective 2008-07
_[60] 서적 Natural Compounds as Drugs Volume I
_[61] 저널 Virtual screening – an overview
_[62] 저널 The art and practice of structure-based drug design: a molecular modeling perspective

본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com