2026智能药物分子设计虚拟筛选策略知识考察试题及答案解析

2026智能药物分子设计虚拟筛选策略知识考察试题及答案解析一、名词解释（每题4分，共20分）1.虚拟筛选（VirtualScreening）答案利用计算机方法从大型化合物库中快速筛选出具有潜在生物活性的分子，通常分为基于结构和基于配体两类，以降低实验筛选成本、提高先导化合物发现效率。2.分子对接（MolecularDocking）答案预测小分子与靶蛋白结合模式和亲和力的计算方法，通过搜索配体在受体结合口袋中的构象空间并评估相互作用强度，输出打分值。3.药效团（Pharmacophore）答案药物分子与靶点发生相互作用所必需的空间及电性特征的总和，包括氢键供体、氢键受体、疏水中心、芳香环、正负离子中心等特征元素及其空间排列。4.打分函数（ScoringFunction）答案用于评估或预测配体-蛋白结合亲和力或结合构象优劣的数学函数，通常基于力场、经验或知识势，在虚拟筛选中用于排序候选分子。5.富集因子（EnrichmentFactor,EF）答案在虚拟筛选结果前x%的分子中活性化合物占比与随机筛选活性化合物占比的比值，用于评价筛选方法富集活性分子的能力，常写为E二、单项选择题（每题2分，共20分）1.下列哪种方法属于基于配体的虚拟筛选？A.分子对接B.药效团匹配C.分子动力学模拟D.自由能微扰答案B解析药效团匹配依赖已知活性配体的特征，属于基于配体的虚拟筛选；分子对接是基于受体结构的方法。2.在基于结构的虚拟筛选中，通常将小分子对接到靶蛋白的：A.任意表面B.已知或预测的结合口袋C.溶剂区D.蛋白核心疏水区（未必是活性位点）答案B3.评价二分类模型区分活性与非活性化合物能力的常用指标是：A.RMSDB.EFC.AUCD.LogP答案C解析AUC为ROC曲线下面积，反映模型区分正负样本的能力；RMSD评价构象差异；EF为富集因子；LogP为脂水分配系数。4.以下哪种打分函数直接基于原子间距离统计势？A.力场打分函数B.经验打分函数C.知识势打分函数D.量子力学打分函数答案C5.在虚拟筛选流程中，常先使用“粗筛”快速过滤大量化合物，以下最适合作为粗筛手段的是：A.高精度自由能计算B.分子对接打分C.药效团匹配或简单理化性质过滤D.长时间分子动力学模拟答案C6.分子对接中，刚性对接与柔性对接的主要区别在于：A.是否考虑溶剂效应B.配体或受体的构象变化程度C.打分函数类型D.化合物库大小答案B7.关于ROC曲线和AUC，下列说法错误的是：A.AUC越接近1表示模型区分能力越强B.AUC=0.5表示模型没有区分能力C.AUC不受正负样本比例影响D.AUC越高说明化合物活性一定越强答案D8.下列哪项不是基于结构的虚拟筛选常用软件或工具？A.AutoDockVinaB.GlideC.GOLDD.Schrödinger的Canvas答案D解析Canvas多用于基于配体的相似性分析等；Vina、Glide、GOLD是分子对接工具。9.在训练机器学习虚拟筛选模型时，通常需要划分数据集，以下做法正确的是：A.用全部数据训练并测试B.测试集可与训练集重叠以提高准确率C.采用时间拆分或随机拆分训练集和测试集，避免数据泄漏D.只追求训练集准确率答案C10.分子动力学模拟在虚拟筛选中的主要作用是：A.快速对百万级化合物打分B.代替所有对接方法C.对初步命中化合物进行结合稳定性评估和结合模式验证D.生成化合物的2D指纹答案C三、判断题（每题1分，共10分）1.虚拟筛选只能基于受体三维结构进行。答案错误解析虚拟筛选包括基于结构和基于配体两大类。2.分子对接打分值越高，说明化合物活性一定越强。答案错误3.药效团模型可以从一组具有共同活性但结构多样的配体中构建。答案正确4.富集因子EF越大，表明筛选方法富集活性化合物的能力越强。答案正确5.在虚拟筛选评估中，AUC值越接近1，模型性能越好。答案正确6.分子对接时通常需要预处理靶蛋白，包括加氢、补全残基、优化质子化状态等。答案正确7.基于配体的虚拟筛选不依赖任何受体结构信息，只要有活性化合物即可进行。答案正确8.打分函数可以精确预测结合自由能，误差通常小于0.1kcal/mol。答案错误解析常用打分函数精度有限，难以达到如此高精度。9.机器学习虚拟筛选模型的特征可以包括分子指纹、理化描述符等。答案正确10.在虚拟筛选流程中，对初筛命中化合物进行类药性过滤（如Lipinski规则）是合理的。答案正确四、简答题（每题6分，共30分）1.简述基于结构的虚拟筛选（SBVS）的主要流程。答案靶蛋白结构获取与预处理（如加氢、去水、质子化）→结合口袋识别→化合物库准备（过滤、3D构象生成）→分子对接→打分排序→选取命中化合物进行目视检查或进一步验证。2.简述基于配体的虚拟筛选（LBVS）常用方法及其核心思想。答案常用方法包括药效团匹配、分子相似性搜索、QSAR/机器学习模型等。核心思想是利用已知活性化合物提取共同结构或理化特征，建立模型或模板，在化合物库中寻找具有相似特征或高预测活性的分子。3.说明分子对接打分函数的主要类型及其优缺点。答案主要类型有力场打分函数、经验打分函数、知识势打分函数。力场打分可解释物理相互作用但计算较慢；经验打分快速但依赖训练集；知识势打分简单高效但对统计势依赖大，难以精确预测结合自由能。4.在机器学习虚拟筛选建模中，如何降低过拟合风险？答案使用独立测试集验证；采用交叉验证；控制特征维度和模型复杂度；使用正则化；保证训练数据质量与多样性；避免数据泄漏（如相似化合物同批次拆分）。5.虚拟筛选常用的性能评价指标有哪些？分别说明其含义。答案富集因子（EF）：前x%五、论述题（每题10分，共20分）1.试设计一套针对某一激酶靶点的层级虚拟筛选策略，要求从百万级化合物库到最终获得候选先导化合物，并说明各步骤的目的。答案可采用以下层级策略：第一步类药性过滤（Lipinski、PAINS等）去除不适合分子；第二步药效团或2D相似性粗筛，快速减少候选数量；第三步分子对接（刚性/柔性）到靶蛋白ATP口袋进行打分排序；第四步对top命中进行分子动力学模拟或MM-GBSA/PBSA重打分评估结合稳定性；第五步聚类分析选择代表性骨架；第六步实验验证。各步骤目的：逐级降低计算成本，兼顾准确性与效率，提高最终命中率。2.论述人工智能/机器学习在虚拟筛选中的应用价值、主要挑战及应对策略。答案应用价值：快速