主要的用途我觉得包含几个方面，1)一个是比如有一个小分子，需要找寻它潜在的靶标位点，作为一个找靶。2)另外一个是你有一个已知的靶点小分子，但是它的性能可能不好，你需要对其母环改造，那么可以进行骨架跃迁。3)还有一个应用就是你有一系列已知作用靶标的化合物，想找类似物进行合成优化，那么也可以进行LBVS进行初筛。当然限于我的知识面的原因，可能还有其他许多应用欢迎小伙伴们提出。
虚拟筛选（Virtual screening, VS）一般可以分为受体基础（RBVS）和配体基础（LBVS）两种方法，其中RBVS又可以称做结构为基础的虚拟筛选（SBVS），通常是对目标大分子进行对接筛选。LBVS则是通过分子相似性来和已知活性化合物相互比较。
分子描述方法简介
筛选数据库简介
SwissSimilarity包含许多小分子数据库，以下:
1)药物数据库，包含FDA批准的（1500），实验和在研的（4800，500），偏僻的（160），不正规的（illicit）（170）和营养品分子（78）
2）生物活性分子数据库，包括PDB（19500），高亲和力ChEBI数据库(28 000),来自ChEMBL和GLASS的酶和GPCR抑制剂数据库（480 000），生物代谢数据库HMDB(39 000)
3)ZINC 数据库 drug-like,lead-like 和 fragment-like （10 600 000, 4300 000,700 000）,可以在供应商买到的(9700 000)
4)可合成的虚拟库（205万）
由于计算量的问题，有一些方法只适用于小的库，具体可以查看界面。
可用的筛选方法
其实上面已经介绍了，这里初略说一下：
- 2D相似性，基于相似结构的FP2分子印迹
- 3D相似性
Electroshape-5D和Spectrophore（见上文）
Shape-IT和Align-IT分别基于3D形状和药效团
其中还有一个combined score，其英文的解释如下:
In additioni to the score of the above mentioned methods, it is possible to make a consensus 2D/3D screening using a score based on both FP2 Tanimoto coefficient (s1) and Electroshape-5D Manhattan distance (s2). This combined score f(s1,s2) was developed for reverse screening using our SwissTargetPrediction web interface.
It was obtained by logistic regression using f(s1,s2)=(1+exp(-a0-a1s1-a2s2))-1, where a0, a1 and a2 are parameters learned by the model to predict possible protein targets for a small molecule based on molecular similarity to known bioactive compounds. f(s1,s2) ranges from 0 for totally dissimilar molecules to 1 for perfectly identical molecules. This combined score was found to perform significantly better for drug-like molecules than the similarity assessed by FP2 or Electroshape-5D separatly.
大致的意思是FP2和Electroshape-5D两种评分系统用逻辑回归拟合而成。
数据库使用
数据库的使用方法非常傻瓜
SwissSimilarity-Input.jpg仅仅需要绘画或者输入SMILE选择要测的数据库提交
SwissSimilarity-Output.jpg得出的配体按照打分排列，值为1为最相似，同时还整合了新虚拟筛选，靶标预测，ADME预测和获取SMILES功能
更多原创精彩视频敬请关注生信杂谈: