中国科学院上海药物研究所研究员陆晓杰课题组联合研究员郑明月课题组，通过整合亲和力筛选和光交联筛选，增强了DEL化合物库的“化学空间”多样性，同时将DEL技术与人工智能协同，为药物发现开辟了全新的、具有吸引力的研究方向。相关研究发表于《药物化学杂志》。

DEL技术具有高通量、操作简便、样品需求量少、筛选成本低、筛选流程快等特点，已成功用于发现多种治疗靶点的新型抑制剂，并成为首次寻找活性物质的合理选择。然而，DEL技术存在较难实现功能性筛选、数据处理中有假阳性信号、对化合物库质量要求高等问题。

除了传统的亲和力筛选外，光交联筛选也是DEL筛选中常用的筛选方法，可以识别通过亲和筛选富集的高亲和力分子，还能发现在亲和筛选中被忽视的中等亲和力小分子。但由于光交联筛选仅进行一轮洗脱，降低了光交联筛选数据中富集信号的扩增效果，使得数据分析变得困难。理论上，将这两种方法结合起来，可以更全面地表征靶点结合信息，种互补性也得光交联筛选成为DEL筛选方法的一种有效补充。

研究人员基于BRD4、p300和WDR5三种蛋白的DEL筛选数据，分别从数据化学空间互补性、训练模型选择、联合模型及协同模型建立等方面进行了研究探讨。在此基础上，研究团队基于具有化学空间互补性的两种DEL筛选数据，构建了针对特定蛋白的小分子预测模型，并成功发现了针对BRD4和p300靶标的先导化合物，展现出良好的药物开发潜力，为针对未充分探索的靶标提供了新的药物发现途径。

 DEL筛选数据分析及模型优化过程。图片来源于《药物化学杂志》

相关论文信息：https://doi.org/10.1021/acs.jmedchem.4c01416