通过化学信息学方法，对靶向 BRAF V600E 和 EGFR 的新颖化学骨架进行体外筛选。
摘要
背景：精准癌症治疗需要小分子抑制剂与致瘤蛋白靶点之间的精确匹配。
方法：我们使用 Python 及 ChEMBL 数据库 API 开发了一套计算流程，系统性地筛选针对 EGFR、BRAF 与 CDK4 的高亲和力配体。对 IC50 < 1000 nM 的生物活性进行过滤，并检索候选化合物的分子结构（SMILES）以供后续优化。
结果：本研究共识别出 [插入总数] 种独特化合物。其中，对 BRAF 激酶而言，我们挑选了一批 IC50 低至 6.0 nM 的高效实验性化合物。
结论：该研究展示了一个自动化框架，用于在早期药物发现阶段优先考虑候选化合物，突出几种具有显著治疗潜力的非临床候选者。
引言
精准肿瘤学依赖对驱动肿瘤生长蛋白的特异性抑制。现代肿瘤学中最重要的三个靶点是 EGFR（表皮生长因子受体）、BRAF（丝氨酸/苏氨酸激酶）和 CDK4（细胞周期依赖性激酶 4）。尽管已有获批药物，但耐药机制不可避免地出现，亟需发现新的化学骨架。传统的药物发现既昂贵又耗时；然而，ChEMBL 等公共数据库中积累的大量生物活性数据为计算重定位和虚拟筛选提供了可能。在本研究中，我们采用基于数据驱动的方法挖掘这些靶点的“化学空间”，目标是识别尚未进入临床审批阶段（Max_Phase = None）的高效能化合物，作为新疗法开发的潜在先导。
方法
2.1 数据获取流程
我们使用
