小分子的生物活性往往是早期药物发现最重要的指标之一,而大量生物活性实验是需要巨大的经济成本和时间成本的。因此通过计算机进行亲和力预测一直以来都是研究的热点。为了充分考虑配体与不同蛋白氨基酸残基的各种相互作用能的协同作用,这里我们发展了一种新的基于机器学习的打分函数(rbScore)。该打分函数通过分散配体和蛋白口袋的各种相互作用能到20种不同的氨基酸残基的主侧链上,共得到107个描述符,并利用随机森林的方式进行训练,得到预测模型。这里我们利用PDBbind数据集中的2017年refinedset和2013年core-set数据集分别进行训练和测试,测试结果的皮尔森相关系数(Rp)为0.79,标准差(SD)为1.50。此外,分子优化也是药物设计重要的过程之一。生物等排替换是药物化学中进行分子结构优化的常见方法,其在改善选择性、活性、ADMET以及规避化合物的专利范围均有广泛的应用。然而寻找合适的替换结构不是一件简单的事情,利用计算的方法可以为药物化学家寻找合适的生物等排替换结构提供帮助。基于蛋白结构生物等排替换的原理,我们开发了一个基于蛋白口袋局部环境的分子自动优化程序,该程序主要分为两部分内容。一方面,我们对大量的蛋白-配体复合物三维结构数据进行处理分析,生成片段-子口袋环境对,并构建特征指纹后存入数据库,以提供可查询的生物电子等排体。另一方面,我们提供了一个包括分子切割、子口袋指纹生成、指纹查询和相似性比对、片段连接等功能一体的自动化程序。通过程序的运行,可自动的对指定片段进行生物等排替换,得到可供参考的新分子。