赵文博 · Computer-Aided Drug Design

为某靶点项目设计并优化了多步有机合成路线，成功合成37个新颖小分子化合物，经HPLC纯化后纯度均>98%，为后续活性测试提供了高质量样品。

针对所合成的化合物开展细胞水平活性评价，建立并执行ELISA与荧光偏振两种检测体系，测得其中5个化合物的半数抑制浓度（IC₅₀）低于100 nM，明确了关键构效关系。

基于活性数据反向解析分子结构与靶点相互作用模式，绘制出涵盖34个化合物的结构与活性对应图谱，直接指导后续虚拟筛选的分子库设计，为转型CADD积累了药物化学逻辑。

针对某新靶点（GPCR类）药物开发需求，利用Schrödinger的Prime模块构建高精度同源模型，结合Glide XP对接与MOE药效团筛选，从50万虚拟化合物库中命中31个候选分子，后续实验验证命中率37%，较传统对接流程提高1.8倍。

为改善先导化合物优化效率，编写Python脚本整合Schrödinger的IFD（诱导契合对接）与MM‑GBSA结合自由能计算，形成标准化工作流；该流程使多轮迭代周期从6周缩短至2周，成功优化出3个IC₅₀＜50 nM的系列化合物。

主导搭建内部分子对接与虚拟筛选平台：集成Schrödinger的LigPrep、Glide SP/XP及MOE的ph4药效团搜索模块，部署自动化集群作业脚本；平台支持并行处理5个靶点项目，单台服务器日均处理8万分子，团队全年完成120万化合物筛选，命中率稳定在12%–15%。

针对一个难成药靶点（蛋白质‑蛋白质相互作用界面），采用Schrödinger的SiteMap识别隐秘结合口袋，并基于FEP+进行相对结合自由能预测；该方法锁定2个新结合位点，优化出的先导分子在细胞实验中活性提升6倍，已进入专利撰写阶段。

建立基于药效团与对接打分的优先级排序策略：通过MOE的Pseudo‑ph4与OpenEye Omega生成多构象，结合Schrödinger的E-pharmacophore修正，使虚拟筛选阳性预测率从9%升至24%，支撑公司当年提交2个IND候选化合物的研发决策。

主导4个先导化合物优化项目，针对激酶靶点，应用GROMACS与AMBER进行分子动力学模拟及自由能微扰（FEP）计算，将候选分子的结合自由能预测精度提升至±1.2 kcal/mol，使后续实验合成轮次减少40%。

搭建并维护基于Linux的高通量分子动力学模拟平台，整合自动化的轨迹分析与自由能计算管线，支持并行处理20+配体-靶标复合物，单轮模拟周期从2周缩短至5天。

建立包含300+化合物的QSAR模型，结合MM/GBSA与FEP结果，用于先导化合物活性排序优先度决策，帮助团队在6个月内筛选出3个临床前候选分子，其中2个进入体内药效验证阶段。

设计自由能微扰计算的标准操作流程（SOP），覆盖力场参数化、溶剂模型选择与收敛性分析，并培训5名团队成员掌握该技术，后续项目复用率达90%。

在某医疗科技公司，主导基于图神经网络的虚拟筛选平台开发，针对一个难治性激酶靶点，从240万化合物库中筛选出98个候选分子，经酶活实验验证命中率达23%，较传统对接方法提升4.6倍。

设计并部署了基于扩散模型的分子生成管线，定向生成3.2万个类药性新分子，结合AutoDock Vina对接与自由能微扰验证，获得17个结合能低于‑10 kcal/mol的苗头化合物，推动项目进入先导优化阶段。

主导建立公司首个AI-CADD数据仓库，整合5,600余条实验活性及ADMET数据，通过特征工程与图数据增强，将深度学习模型的AUC从0.72提升至0.89，虚拟筛选富集因子提高3.2倍。

与药物化学团队深度协作，利用AI预测结果指导分子设计，将每轮设计‑合成‑测试迭代周期从10周压缩至5周，累计支持4个靶点项目进入临床前候选化合物阶段，其中2个已获IND许可。