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。怎么规划高通量筛选？活性产物筛选
纤维性疾病简直影响到身体的每一个组织，这种疾病的产生和发展会迅速导致组织功能障碍、机体组织衰竭，导致逝世。成纤维细胞诱导细胞外基质(ECM)的大量沉积(I和V型胶原作为标志物)是纤维化疾病的标志。目前临床可供使用的抗纤维化的药物相对缺少。2021年，由MichaelGerckens等人开发了一种根据表型挑选开发新式抗纤维化药物的办法，并鉴定出一系列具有较高活性的抗纤维化化合物。挑选模型建立首要作者建立了一种深度学习模型(deeplearningmodel)，可以对高通量显微成像取得的数千张细胞外基质(ECM)免疫染色图片进行批量分析，以确定具有改进纤维化状况的先导化合物。受体药物活性筛选高通量筛选的不同使用场景。
此外，可用的机器学习模型在根据2019版推断的生物活性的分类基础上扩展分类选择中发挥了要害作用，然后减少了化学骨架分类在分类选择中的主导地位。具体而言，增加根据化合物库的参阅活性概况聚类，使咱们能够在挑选过程中增加生物活性信息的权重。总体而言，咱们认为咱们的2019年根据平板的筛板可以实现多样性驱动的子集和迭代筛选，而且当时的设计在筛板中提供了均衡的化合物分布。新药的研讨开发是一项投资较大、周期较长、风险较高的高技术产业，经常要面临大量错综复杂、互相矛盾的数据，每个决议都可能使多年研发成果付之东流。
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。针对新药研发高通量筛选1小时究竟能挑选多少样品？
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。这个高通量筛选天然产品库不要错失——陶术化合物库！神经 药物筛选
高通量筛选技能加速联合用药研讨。活性产物筛选
在过去的十年中，表型挑选在药物发现中再次变得越来越重要，其实际成果是测定和挑选级联变得越来越杂乱，从而限制了可以挑选的化合物的数量。迭代挑选可以减少整体筛查化合物的数量，节省化合物库存，缩短时间表和成本，更重要的是在进行大规模筛查之前先验证或优化测定方式。在经典的HTS中，一切化合物均经过测验，化合物在平板筛板上的散布对成果影响不大。但是在迭代多样性驱动的子集挑选中（如NIBR所实践），正确的分配对于取得合理的成果至关重要。活性产物筛选
