抗原结合位高突变区上的细微改变可达百万种以上。每一种特定的改变，可以使该抗体和某一个特定的抗原结合。之所以能发生如此丰富多样的抗体，是因为编码抗体基因中，编码抗原结合位的部分可以随机组合及突变。此外，经过修改重链的类型，可以制造出对相同抗原专一性的不同的抗体，使得同种抗体可以用于不同的免疫系统过程中。这些机制一起构成了抗体多样性的悉数来源，是人为选择抗体的理论基础。挑选抗体：抗体文库抗体库的成功构建，是抗体药物开发的先决条件。以靶点为基础，调配高通量挑选技术，从海量的抗体库中挑选潜在抗体，抗体研制的通用路径。抗体文库本身的巨细和多样性直接决议了抗体药物挑选的成功与否。怎么在药物研发完成自动化与高通量筛选优势？分子水平的药物筛选模型
总结现在，2019年的挑选平台网格是NIBR根据平板多样性驱动的子集挑选的首要来源，它可用于50-100个子集挑选，每年在NIBR中有超过5万种化合物用于生化和细胞测验。二维多样性网格根据挑选化合物合集的要害特征：针对尽可能多的靶标的多样性掩盖规模以及根据需要搅扰靶标的恰当化合物特点。这种大小合适的化合物板组的网格为迭代和子集挑选供给了灵活性，然后允许根据分子特性以及化学和生物多样性标准选择板组。从2015年挑选平台获得的一项重要经验是，将溶解度和渗透性作为决议化合物是否有价值的首要决议因素，而不是MW和clogP规模。抑制剂筛选方案高通量筛选是一种药物发现过程，可以使生化或细胞事件可以重复和快速测验化合物数十万次。
目前已知氨基酸序列的蛋白质分子约有2.1亿个，但到RCSBPDB上录入的被实验解析的蛋白质三维结构只有18,1295个，不到蛋白质总数的0.1%。究其根本，通过X射线衍射、核磁共振或冷冻电镜等方法获得蛋白质三维结构，哪个不耗时费力、需要很多资金投入？另，计算机猜测蛋白质结构有诸多限制，SWISS-MODEL要求序列同源性>30%，I-TASSER要求序列能穿到现有结构，ROBETTA要求氨基酸序列<200。全国苦“蛋白质三维结构”久矣！直到AlphaFold2横空出世。AlphaFold2横空出世2020年底，AlphaFold2(DeepMind公司开发的AI程序)在CASP14(第14届蛋白质结构猜测竞赛)中将蛋白结构猜测准确性从40分提高到92.4分，完成了原子精度或者接近原子精度的结构猜测，震惊生物界。
高通量挑选在100μM浓度下，运用MCEFDA批准上市库进行挑选，经过显微成像技术，终究得到16种阳性化合物(图2a)中，其中Tranilast在按捺基质堆积方面表现出杰出的作用，并呈现出剂量依赖性(图2b)，并且已有文献标明Tranilast在体内具有较好的生物利费用、安全性和耐受性的安全性，终究选定Tranilast作为先导化合物。■构效联系剖析及先导化合物优化由于挑选到的Tranilast需要在较高浓度(>150μM)下才会表现出较强的抗纤维化活性，所以作者还对Tranilast做了进一步结构优化，希望从Tranilast结构类似物中挑选到具有更高活性的产品(图4a)。经过对Tranilast结构类似物及合成的一系列结构类似物做进一步挑选，得到一系列N-(2-butoxyphenyl)-3-(phenyl)acrylamides(N23Ps)，部分N23Ps具有较高的抗纤维化活性，按捺ECM堆积的IC50数值在10μM以下化合物在高通量筛选中的效果怎么样？
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。什么是高通量筛选技能？药物化合物的筛选
药物筛选技能的研讨与使用。分子水平的药物筛选模型
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。分子水平的药物筛选模型
