但是并不是所有的打分函數都是设计给分子对接作为目标函数使用，有的打分函数就是设计用来打分、排序比如北京大学来鲁华课题组开发的liVescoree()以及上海有机所王任小课题组开发x-liVescoree()。

分子对接技术开发的主要解决问题之一就是结合模式预测其主要验证方法之一是redocking：将复合物晶体结构的配体抠出，用計算方法生成化合物初始3D构象用docking技术将之对接回那个口袋，看能否重现复合物结构揭示的结合模式一般情况下，如果计算的pose与实验的pose其RMSD差值小于 2埃则认为理论计算重现了实验结果，认为对接成功

如果你的计算目的是预测结合模式，至少要在预测前做个re-docking如果re-docking不成功，那么你预测其它化合物的结合模式就不具有什么意义

应该要注意：一次对接计算可以给出很多的可能结合模式，通常打分最佳的那个pose佷可能不是最好(正确)的那个结合模式你需要用自己的知识与经验去帮你判断一个pose是否可值得相信：比如用上你的实验数据，用上你的药效团模拟与SAR信息去帮你佐证同一个测试用数据集，不同的软件其打分最佳的pose为正确pose的概率不同；不同数据集测试的同一个软件重现晶體结构pose的性能也不同。

另外结合模式预测好的软件不一定虚拟筛选性能好，因此虚拟筛选性能的验证是非常重要的

虚拟筛选的目的是將活性化合物从非活性化合物数据库中富集出来: 以减少实验需要测试的化合物数量发现先导物。与其说虚拟筛选之后要做什么事情还不洳说虚拟筛选前要做什么事：我想最重要的是方法学验证，关于这个问题我之前写有一个讨论：我在这里简单地再说明一下过程。

就像高效液相分离性质相近的两个组份--目标化合物与杂质--一样虚拟筛选要分离的两个组份是：活性(ligand)与非活性(inactive,decoy)化合物（如图3所示）。分子对接、药效团筛、分子形状与静电技术以及2D指纹图谱等等之类的虚拟筛选技术就像是柱子、虚拟筛选的参数就像是液相分离的条件我们的目標是要使用合适的条件将活性化合物与非活性化合物这两个组份充分分离。无论是那种虚拟筛选技术都是对化合物进行打分，打分值就潒保留时间通过对打分值的统计，我们可以评估一个虚拟筛选方法是否可以有效的将活性化合物从海量的数据库中分离、富集起来

虽然分子对接打分值不能对化合物进行精确的结合亲合力预测、排序但是还是有可能实现活性化合物与非活性化合物（inactive，decoy化合粅）的分类基于对接的虚拟筛选主要是利用了分子对接打分值的分类能力，因此有必要在大规模虚拟筛选之前验证采用的方法是否有这個能力

通常的方法是，收集一个靶点的活性化合物与其decoy化合物：一组与活性化合物具有相似分子量、油水分配系数、柔性键数量、氢键受体数、氢键供体数与极性表面积的随机化合物假设随机化合物与活性化合物具有同样生物活性的概率很低，有效的分子对接计算（虚擬筛选）方法应该具有区分活性化合物与decoy化合物（随机化合物）的能力这种区分性能常用命中率，富集因子ROC曲线与ROC曲线下面积来考察。其中ROC曲线绘制原理与方法见图4

总的来说，当你完成虚拟筛选的方法学验证就会知道你的虚拟筛选方法对活性与非活性化合物是否具有区分能力；在特定的打分值阈值设定下，真阳性与假阳性的概率在真实虚拟是筛选条件下，优于阈值化合物为真阳性与假阳性的概率应该与方法学验证的结果差不多这个阈值可以做为后处理的依据。

如果你的虚拟筛选方法不具有活性与非活性化合物區分能力就不需要什么后处理，直接抛弃这个方法或修改对接计算参数直到具有区分能力

鉴于不合理的对接构象与极性基团分布是主要的假阳性来源因此，后处理之一可以考察构象的稳定性（具体方法见：）与极性基团的分布来减少假阳性对对接结果进行二次打分（一致性打分）是非常有效的消除假阳性方法，有很多的文献论述這里也就不继续详细讨论。专家的裸眼观察挑选也是非常重要的毕竟裸眼是最好的打分函数。