药物设计是计算生物学研究的热门方向,考虑到计算机模拟的低成本、耗时少等优点,使用分子对接软件来模拟靶标蛋白与小分子之间的相互作用,已成为药物设计过程中的常见手段。已有的分子对接软件常采用多构象法来描述小分子柔性。但蛋白质柔性的处理是一个巨大挑战,当前最常见的处理方法是“系综对接”（或集合对接）。基于分子对接的虚拟筛选作为药物设计的辅助工具,有着非常重要的应用价值,如今这一技术已经变成了药物发现过程中不可或缺的一部分。目前我们需要解决的问题是如何从大量的构象中挑选出富集效果较好的蛋白质用于虚拟筛选。本文工作我们使用靶标蛋白的各个同源蛋白作为其初始构象集,设计实现了一个将分子对接与机器学习相结合的构象挑选方案。在本篇论文中,我们根据设计的方案挑选出富集效果较好的蛋白质,来区别活性配体分子与诱饵。首先,方案是以未知小分子为前提进行设计的。其次,方案设计基于计算机模拟分子对接,使用基于知识的打分函数评价分子间相互作用强弱,以计算得出的AUC值判定富集效果。针对上述问题,本研究使用了源自DUD数据库中的十组不同数据集,以每组蛋白质的apo结构作为模板,搜索同源序列相似度90%以上的蛋白质,根据RMSD大小进行聚类。通过MDock分子对接软件进行对接,对接后根据打分函数计算不同蛋白质构象的富集率与AUC值,挑选富集效果较好的同源蛋白。最后,我们再利用机器学习算法挑选富集效果较好的同源蛋白,这是一种结合靶标蛋白局部特征来挑选同源蛋白的算法,提取原子和残基水平特征作为随机森林算法的输入,用Grid Search CV搜索最佳参数以及进行五倍交叉验证,根据输出每个同源蛋白AUC的预测值进行排名。根据测试的结果表明,我们的算法在挑选同源蛋白top1、top3、top5上成功率比较高。