What is virtual screening in drug discovery?

Virtual screening uses computational models to predict which candidate molecules, out of a very large pool, are most likely to bind effectively to a target protein, before any physical testing occurs.

Why not just test every candidate molecule in the wet lab?

Wet-lab synthesis and testing is slow and expensive per candidate, so testing all fifty thousand candidates directly would be prohibitively costly; virtual screening filters the pool down to a manageable, enriched shortlist first.

What happens if the screening threshold is set too low?

A low threshold advances too many candidates to wet-lab testing, most of which will turn out not to be true hits, driving up wet-lab costs without proportionally increasing genuine discoveries.

What happens if the threshold is set too high?

A high threshold produces a smaller, cheaper shortlist, but risks filtering out genuine hits whose predicted affinity score, while real, did not clear the bar.

How accurate are binding-affinity predictions in practice?

Prediction accuracy varies by target and model, and virtual screening is generally treated as an enrichment tool, improving the odds of finding hits, rather than a fully reliable substitute for wet-lab confirmation.

Home▸AI & Machine Learning▸AI Geneesmiddelenontdekking Lab

🧬 AI Geneesmiddelenontdekking Lab

Een casestudysimulatie van virtuele screening van geneesmiddelkandidaten: pas de voorspelde-bindingsaffiniteitsdrempel aan en bekijk hoeveel echte hits doorgaan naar kostbare natte-labtests.

AI & Machine Learning['Canvas 2D', 'Vanilla JS']Casestudie60 FPS

Casestudy: 50.000 moleculen terugbrengen tot een shortlist

Deze casestudy simuleert een virtuele screening van vijftigduizend kandidaatmoleculen tegen een doeleiwit, een gebruikelijke vroege stap in geneesmiddelenontdekking. Een model voorspelt de bindingsaffiniteit van elke kandidaat — hoe sterk en specifiek deze waarschijnlijk aan het doelwit zal binden — lang voordat er ook maar één fysieke verbinding wordt gesynthetiseerd.

Alleen kandidaten die boven een gekozen drempel scoren gaan door naar natte-labtests, waar het werkelijke hitpercentage uiteindelijk wordt bevestigd door echte scheikunde, een proces dat traag en duur is per kandidaat. De drempel is de gehele economische hendel van virtuele screening: die bepaalt hoe groot en hoe verrijkt met echte hits de natte-labshortlist daadwerkelijk is.

In dit lab kun je die drempel rechtstreeks verplaatsen tegen een gesimuleerde pool kandidaten met een realistisch verschil tussen voorspelde affiniteit en werkelijke hitstatus, en bekijken hoe shortlistgrootte, vastgestelde echte hits en geschatte natte-labkosten allemaal reageren.

Veelgestelde vragen

Wat is virtuele screening in geneesmiddelenontdekking?

Virtuele screening gebruikt rekenmodellen om te voorspellen welke kandidaatmoleculen, uit een zeer grote pool, het meest waarschijnlijk effectief zullen binden aan een doeleiwit, voordat er fysieke tests plaatsvinden.

Waarom niet gewoon elke kandidaatmolecuul in het natte lab testen?

Synthese en testen in het natte lab zijn traag en duur per kandidaat, dus het rechtstreeks testen van alle vijftigduizend kandidaten zou onbetaalbaar duur zijn; virtuele screening filtert de pool eerst terug tot een beheersbare, verrijkte shortlist.

Wat gebeurt er als de screeningdrempel te laag wordt ingesteld?

Een lage drempel laat te veel kandidaten doorgaan naar natte-labtests, waarvan de meeste geen echte hits blijken te zijn, wat de natte-labkosten opdrijft zonder de echte ontdekkingen evenredig te verhogen.

Wat gebeurt er als de drempel te hoog wordt ingesteld?

Een hoge drempel levert een kleinere, goedkopere shortlist op, maar riskeert het uitfilteren van echte hits wier voorspelde affiniteitsscore, hoewel echt, de lat niet haalde.

Hoe nauwkeurig zijn bindingsaffiniteitsvoorspellingen in de praktijk?

De voorspellingsnauwkeurigheid varieert per doelwit en model, en virtuele screening wordt over het algemeen behandeld als een verrijkingsinstrument dat de kans op het vinden van hits verbetert, niet als een volledig betrouwbare vervanging voor bevestiging in het natte lab.

⚙ Onder de motorkap

Gesimuleerde kandidaten hebben een voorspelde bindingsaffiniteitsscore en een werkelijke hitstatus gegenereerd via een sigmoïde functie die hogere voorspelde affiniteit correleert met hogere werkelijke hitkans, hoewel met realistische ruis. De drempel-schuifregelaar filtert welke kandidaten doorgaan, en de simulatie schaalt een kleinere visuele steekproef op naar een schatting van 50.000 kandidaten voor aantal doorgangen, echte hits en natte-labkosten.

drug-discoveryvirtual-screeningcase-study

Canvas 2D · vanilla JavaScript · 60 FPS target · runs fully client-side, no install