2026人工智能药物虚拟筛选技术评估及答案解析.docxVIP

2026人工智能药物虚拟筛选技术评估及答案解析

一、单项选择题（每题2分，共20分）

1.在基于结构的虚拟筛选（SBVS）中，下列哪一项指标最常用于衡量对接打分的显著性优于随机富集？

A.ROCAUC

B.RMSD

C.EF1%

D.BEDROC

答案：C

解析：EF1%（EnrichmentFactorat1%）直接衡量前1%数据库中活性化合物富集倍数，是SBVS早期富集能力的金标准。

2.使用AutoDockVina进行分子对接时，若配体文件缺失氢原子，会导致：

A.无法生成pdbqt文件

B.对接打分绝对值升高

C.搜索空间自动缩小

D.仅影响极性氢的取向优化

答案：A

解析：Vina的prepare_ligand4.py脚本要求所有可旋转键及氢原子完整，否则无法输出合法pdbqt。

3.在深度学习评分函数NNScore1.0中，输入特征不包含：

A.蛋白配体原子对距离

B.配体分子量

C.二级结构片段

D.原子部分电荷

答案：C

解析：NNScore1.0仅使用原子层级特征及简单全局描述符，不引入二级结构。

4.针对AI虚拟筛选产生的“分子幻觉”问题，下列策略最有效的是：

A.提高数据库规模

B.引入合成可及性（SA）打分

C.降低对接格点间距