《Aquaculture, Fish and Fisheries》：Decoding Aquaculture's Future: A Review of Molecular Docking and Simulation in Enhancing Growth and Disease Resistance
水产养殖已超越捕捞渔业，成为全球水生动物蛋白的主要来源，标志着全球粮食安全迈出了关键一步。然而，快速集约化发展面临重大挑战，包括疾病暴发、环境退化，以及对野生捕捞鱼类作为饲料的依赖。为应对这些问题，该行业正日益采用先进的计算方法。本综述批判性地审视了分子对接和分子动力学（MD）模拟在水产养殖研究中的应用，评估了其实已证明的贡献、固有的方法学局限性，以及目前限制其转化影响力的计算预测与实验验证之间的显著差距。研究人员阐释了这些预测建模工具的基本原理，这些工具能够实现分子相互作用的原子水平研究，并展示了它们在两个关键领域的作用：通过合理设计饲料添加剂和生长促进剂来提高生长和营养效率，以及通过药物发现、下一代疫苗开发和宿主-病原体相互作用分析来对抗传染性疾病。本综述还评估了优势、局限性、典型工作流程，以及与组学技术的整合。最后，研究人员讨论了未来前景，包括人工智能（AI）和QM/MM方法，以及将计算机模拟预测转化为商业实践所需的步骤。实现这些工具在水产养殖中的全部潜力，需要改进病原体靶点的结构数据、标准化的方法学报告，以及持续投资于实验验证条件——这些在当前文献中仍显不足，但可通过协调的跨学科努力实现。
1 引言
1.1 全球现代水产养殖现状与挑战
全球对水生食品的需求因人口增长和对渔业产品营养益处的认识提高而不断攀升。联合国粮食及农业组织（FAO)报告，2022年水产养殖水生动物产量达到创纪录的9440万吨，首次超过捕捞渔业产量，占水生动物总产量的51%，估计首次销售价值达3130亿美元。然而，这种快速增长并非没有风险。满足全球需求所需的集约化产生了复杂且相互关联的挑战，威胁着该行业的可持续性和经济可行性。这些集约化的"负面反冲"是水产业未来的主要担忧。首先，传染性疾病暴发仍是水产养殖生产的最重要制约因素，估计全球经济影响每年超过60亿美元。高密度养殖条件促进病原体的快速增殖和传播。弧菌属（Vibrio spp.）和嗜水气单胞菌属（Aeromonas spp.）引起的细菌性疾病，以及虾类白斑综合征病毒（WSSV)等病毒感染，可在感染后数天内造成灾难性死亡，常常 wipe out 整个养殖场。抗生素的广泛预防和治疗性使用导致了抗菌素耐药性（AMR)的惊人上升，对环境、动物健康和人类公共卫生构成严重威胁。
其次，集约化水产养殖的环境足迹日益受到关注。富含氮和磷化合物的未经处理废水排放来自未食用饲料和代谢废物，导致受纳水体富营养化。这种营养负荷可引发有害藻华（HABs)，导致缺氧和"死亡区"的形成。废水还可能用过量营养物质、重金属和残留化学物质（包括抗菌剂）污染周围土壤和地下水，从而改变生态系统结构和功能。在某些地区，水产养殖扩张以牺牲红树林等生态重要栖息地为代价。
第三，该行业在开发可持续饲料资源方面面临重大挑战。水产饲料传统上依赖来自野生捕捞饵料鱼类的鱼粉和鱼油，这给海洋生态系统带来压力，并造成直接的"食物-饲料权衡"——小型中上层鱼类本可成长为成体，却被转用于饲料生产。因此，识别可行、营养丰富且经济有效的替代蛋白和脂质来源，特别是植物来源的，对长期可持续性至关重要。
1.2 新纪元的曙光：水产养殖中的计算方法
为应对这些多方面挑战，科学界正日益利用计算生物学和生物信息学。这一新兴领域通常称为"aqua informatics"，代表着从被动、试错方法向主动、预测和数据驱动策略的转变，用于管理水生动物健康和生产。通过整合计算机科学、数学和生物学，这些方法能够分析大型生物数据集、阐明复杂分子机制，并以高精度合理设计新型干预措施。
1.3 预测的力量：分子对接与模拟概述
在水产养殖研究中应用的计算方法中，分子对接和分子动力学（MD)模拟是用于原子尺度分子相互作用直接机制研究最广泛的方法，其应用于水产养殖特定问题的研究在过去十年中大幅增长。分子对接预测分子（配体，如药物候选物或营养素）与靶点分子（受体，通常为蛋白质或酶）结合的优选取向和亲和力。MD模拟是一种补充性、计算密集度更高的技术，模拟原子随时间的运动，通过应用经典力学原理，揭示生理相关条件下蛋白质-配体复合物的动态行为。MD模拟对验证对接结果和生成更准确的结合亲和力估计至关重要，从而优化先导分子选择。这些工具的整合已彻底改变药物发现，使其更快、更具成本效益、更符合伦理且更具针对性。
1.4 综述范围与目的
本综述全面批判性地分析了分子对接和MD模拟在水产养殖中的当前应用和未来潜力。目标包括：解释这些计算技术的基本原理；综述可用软件工具；描述其在促进鱼类生长、提高营养效率和对抗传染性疾病中的应用；展示代表性案例研究；评估计算机模拟方法的优势和局限性；探索新兴趋势，包括人工智能（AI)整合，以塑造可持续水产养殖的未来。
2 文献检索策略与研究选择
2.1 检索策略
对四个主要电子文献数据库（PubMed/MEDLINE、Scopus、Web of Science和Google Scholar）进行了全面系统的科学文献检索，以确定分子对接和MD模拟在水产养殖研究中应用的相关研究。检索于2025年1月进行，涵盖从数据库建立至检索日期的出版物，仅纳入英文出版物。检索策略采用受控词汇（医学主题词；MeSH）和自由文本词的组合，使用布尔运算符（AND、OR）构建。
2.2 纳入排除标准
纳入标准包括：应用分子对接、MD模拟或 closely related 计算机模拟技术（如虚拟筛选、免疫信息学、同源建模、MM-PBSA/GBSA能量计算、蛋白质-蛋白质对接）的研究；聚焦于水产养殖相关背景的研究，包括疾病管理、生长和营养增强、环境可持续性或水产养殖病原体的疫苗和药物靶点识别；发表于同行评审期刊的原创研究文章、案例研究和综述文章；英文出版物。
排除标准包括：计算方法和方法完全应用于非水产养殖哺乳动物或陆生动物背景且无明确水产养殖相关性研究；会议摘要、学位论文和缺乏足够方法学细节供批判性评估的灰色文献；重复出版物或来自同一原始数据集的二次报告；无法获得全文的研究。
2.3 研究选择和数据综合
研究选择过程遵循PRISMA 2020声明。初始数据库检索后，所有检索记录导入文献管理工具并去重。两名作者独立筛选所有独特记录的标题和摘要，随后检索所有潜在合格记录的全文进行第二轮独立筛选。鉴于纳入研究的广泛性和异质性，采用叙述性综合方法，按四个主要应用领域进行主题综合：（1）疾病管理；（2）生长和营养效率；（3）环境可持续性；（4）未来技术方向。
3 传统方法与当前方法对比
3.1 历史视角：传统育种和选择方法
几个世纪以来，农业和水产养殖遗传改良的主要引擎是传统选择育种。该方法涉及识别具有优异性状（如更快生长、更高繁殖力或改善肉质）的个体作为下一代的繁殖亲本。通过基于可观察特征（表型）和系谱信息系统选择最佳表现个体，育种者取得了显著成功。过去五十年中，这些项目使许多商业重要物种的生长率平均每代提高约12.5%。一个标志性例子是遗传改良养殖罗非鱼（GIFT)项目，该项目推广改良罗非鱼品系并推动其全球养殖快速扩张。尽管取得这些成功，传统育种方法存在固有局限性：过程缓慢，受许多水生物种世代间隔长的制约；依赖表型记录使其对难以直接测量的性状（如疾病抗性或饲料转化率）效率低下；密集选择而管理不善可导致近亲繁殖增加，降低遗传多样性。
3.2 当前创新：分子对接和模拟与传统方法的整合
高通量DNA测序的出现 ushered in 遗传改良的新时代。当前创新是向基因组选择（GS)的转变，这是一种复杂的计算方法，使用全基因组遗传标记（通常为单核苷酸多态性（SNPs)）预测个体的遗传优劣或估计育种值（EBV)。通过在整个基因组上建立数千个标记与训练群体中观察到的性状之间的关系，GS模型可以仅基于DNA预测候选动物的育种价值，甚至在性状表达之前。
分子对接和模拟的整合代表着进一步的飞跃，与现代育种项目形成强大协同。这一进化标志着哲学上的根本转变：从简单选择最佳生物体到设计可持续系统。虽然传统和基因组育种改善了动物的先天遗传潜力，计算分子建模增加了互补层面，通过设计外部分子（如药物、疫苗或饲料添加剂）与动物生物机制相互作用，帮助其发挥最大潜力。例如，育种项目可能选择具有特别高效的生长激素受体（GHR)变体的鱼系。同时，分子对接可用于筛选植物提取物中的天然化合物，作为该特定GHR变体的强效激动剂。两者结合，遗传上优越的鱼和计算设计的饲料添加剂协同作用，产生单独任一方法无法达到的生长率。
4 分子对接与模拟基础
4.1 分子对接艺术
分子对接是一种计算技术，旨在预测分子复合物相互作用的结构，最常见的是小分子配体与大分子受体（如蛋白质）的结合。该过程涉及两个关键步骤：首先，搜索算法在受体结合位点内采样配体的大量可能取向和构象（称为"摆pose"）；其次，评分函数快速估计每个pose的结合亲和力，对其进行排序以识别最可能的结合模式。
4.1.1 对接类型
蛋白质-配体对接：最普遍的对接形式，构成基于结构的药物设计的基石。在水产养殖中，应用广泛，用于筛选天然或合成化合物库以寻找病原菌必需酶的抑制剂，如哈维氏弧菌（Vibrio harveyi)的溶血素蛋白（Sivakumar et al., 2021)；也用于识别可结合并激活宿主受体的潜在生长促进剂，如丽鱼（Labeo rohita)的GHR（Dhandare et al., 2022)。
蛋白质-蛋白质对接：预测两个或多个蛋白质形成的复合物结构。对理解宿主-病原体相互作用的分子基础不可或缺。例如，研究人员使用蛋白质-蛋白质对接来建模白腿虾（Litopenaeus vannamei)免疫相关蛋白与致病菌副溶血弧菌（Vibrio parahaemolyticus)关键毒力因子之间的相互作用，揭示介导感染的特定分子接触点（Rosilan et al., 2024)。这也是免疫信息学中建模设计的疫苗抗原与免疫系统受体（如Toll样受体（TLR)）结合以预测其免疫原性的关键工具（Alawam and Alwethaynani, 2024)。
核酸-配体对接：关注小分子与DNA或RNA的相互作用。目前在水产养殖研究中较少见，但对开发新型抗病毒剂具有重要潜力。
4.1.2 方法学与算法
分子对接的理论基础 resting on 三种渐进复杂的分子识别模型：刚性锁钥模型、诱导契合模型和构象选择模型（Meng et al., 2011)。实践中，水产养殖相关靶点通常需要柔性对接方法，因为病原菌蛋白（如弧菌和气单胞菌属的毒力因子）在配体结合时常发生显著构象变化。
4.2 分子的生命化：MD模拟
虽然分子对接提供了潜在结合事件的有价值的静态快照，但生物系统本质上是动态的。MD模拟通过模拟分子系统的时间依赖性行为来弥补这一差距（Vidal-Limon et al., 2022)。
4.2.1 MD模拟原理
MD模拟使用牛顿运动定律计算指定时间段内（通常从纳秒到微秒）系统中每个原子的轨迹。"力场"——描述原子间相互作用的数学函数和参数集合——用于计算每个无限小时间步长作用于每个原子的力。通过对这些力随时间进行积分，模拟生成代表分子动态行为的轨迹，包括其在模拟环境中的振动、旋转和构象变化（通常在水分子和离子的盒子中以模拟生理条件）（Meng et al., 2011)。
4.2.2 稳定性与结合亲和力应用
MD模拟是验证和优化分子对接结果的"金标准"（Vidal-Limon et al., 2022)。关键应用包括：通过监测配体和蛋白质原子与其初始位置的均方根偏差（RMSF)评估复合物稳定性；通过个体残基的均方根波动（RMSF)分析蛋白质不同部分的柔性；使用分子力学/泊松-玻尔兹曼表面积（MM/PBSA）和分子力学/广义 born 表面积（MM/GBSA）等方法计算结合自由能。
典型的药物发现工作流层次化地利用这种权衡，创建计算"漏斗"：从数百万虚拟化合物的快速、较不准确的对接开始扩大筛选范围；然后对 top hits 进行更严格的柔性对接；最后将最有希望的少数候选物推进到计算密集的MD模拟进行详细验证和结合自由能计算。
5 计算工具箱：可用的对接与模拟软件
计算生物学的快速发展得益于多样化软件工具生态系统的开发，范围从免费可获取的开源学术包到复杂的集成商业套装。
5.1 可用软件平台概述
开源对接平台中，AutoDock Vina因速度和记录的准确性而在水产养殖研究中应用最广泛（Meng et al., 2011)。PyRx提供易用的图形界面，降低了没有计算培训的水产养殖研究人员的入门门槛（Dallakyan and Olson, 2015)。MD方面，GROMACS在水产养殖文献中占主导地位，因其GPU效率和综合分析工具而受重视（Baba et al., 2024)，而NAMD为大型系统提供卓越的扩展性（Phillips et al., 2020)。商业平台如Schr?dinger Suite和MOE提供经过验证的集成工作流，主要用于制药环境，但因成本障碍而在水产养殖研究中利用不足（Pagadala et al., 2017)。
然而，软件的易获取性本身不能保证方法学严谨性。水产养殖对接文献中的一个关键关注点是，PyRx等用户友好界面的易获取性促进了广泛采用，但缺乏对底层物理原理的相应深入理解。搜索水产养殖对接文献发现，关键方法学细节经常被遗漏：网格盒尺寸 routinely 未报告、活性位点残基的质子化状态很少讨论、结合界面的水分子（对水生病原菌蛋白尤其重要）常被忽略。这些遗漏损害了可重复性并使研究间比较不可靠。此外，水产养殖MD研究中最常用的力场（AMBER、CHARMM、GROMOS）主要针对哺乳动物蛋白和标准类药物配体系数化，其对经常筛选鱼类病原菌的结构不寻常天然产物（如聚酮化合物和萜类化合物）的准确性在水生生物背景中尚未得到系统验证，代表了一个重大且很大程度上未被认识的误差来源（Lin and MacKerell, 2019)。
5.2 力场与评分函数说明
任何对接或模拟结果的准确性根本取决于所用物理模型的质量。两个组件至关重要：评分函数和力场。评分函数是对接中用于估计给定配体pose结合亲和力（ΔG
bind）的数学模型，是近似值，是预测不准确性的主要来源。力场在MD模拟中是定义系统势能作为其原子坐标函数的完整方程和参数集，控制每个相互作用，从而决定整个模拟的动态行为。
免费和用户友好软件的普及在民主化这些强大计算工具方面发挥了重要作用，但也呈现悖论：虽然使更广泛的 researchers 能够处理复杂的分子问题，但也降低了入门门槛，可能导致缺乏深入物理原理理解的用户生成有缺陷或误解的结果。
6 分子对接与模拟在水产养殖研究中的应用
分子对接和MD模拟已应用于水产养殖研究的几个领域，迄今最实质性且可复制的贡献集中在疾病管理（特别是疫苗设计和药物靶点识别），以及在较小程度上的营养和生长研究。
6.1 增强生长和营养效率
6.1.1 设计新型饲料添加剂
向植物性水产饲料的转变受到抗营养因子存在以及植物蛋白和碳水化合物比鱼粉消化率低的阻碍。分子对接可用于识别通过靶向关键代谢途径发挥强效饲料添加剂作用的天然化合物：靶向消化酶（如脂肪酶、淀粉酶和蛋白酶），鉴定结合这些酶变构位点并促进更活跃构象的化合物，从而设计改善饲料成分（特别是植物来源的复杂碳水化合物和蛋白质）分解和吸收的添加剂（Liang et al., 2022)；靶向激素受体，更直接地促进生长涉及靶向内分泌系统。脊椎动物生长主要由生长激素（GH)轴调节。一项关键研究通过对丽鱼（L. rohita) GHR进行同源建模、分子对接和MD模拟，虚拟筛选化合物库并鉴定出甲地孕酮和核黄素作为潜在激动剂，对受体活性位点表现出强而稳定的结合（Dhandare et al., 2022)。类似策略可应用于其他关键生长相关受体，如胰岛素样生长因子（IGF)受体。
6.1.2 改善饲料配方
虽然直接模拟整个消化过程超出当前MD能力，但这些工具仍可为饲料配方提供宝贵见解。例如，MD模拟可用于研究新型蛋白质成分或外源酶在不同pH和温度条件（模拟鱼肠道环境）下的结构稳定性和动态，帮助预测其在摄入后保持活性和功能的能力，指导选择更有效和稳定的饲料成分（Liang et al., 2022)。
6.2 对抗疾病：分子军备竞赛
6.2.1 药物发现和重定位
随着AMR的上升，迫切需要具有新作用机制的新药。虚拟筛选提供快速且经济有效的方法识别此类化合物。
靶向细菌病原体：研究人员使用对接筛选天然产物（如植物和藻类来源的生物活性化合物）和合成化合物库，对抗主要水产养殖病原体的必需酶。成功例子包括：弧菌属（Vibrio spp.)——鉴定抑制哈维氏弧菌（V. harveyi)关键毒力因子如溶血素和霍乱弧菌（Vibrio cholerae)群体感应（QS)调节蛋白的植物化学物质（Chowdhury et al., 2024)，QS抑制剂特别具有吸引力，因为它们破坏细菌通讯和毒力而不杀死细菌，可能对耐药性施加较小的选择压力；嗜水气单胞菌属（Aeromonas spp.)——发现香芹酚等天然化合物抑制嗜水气单胞菌（Aeromonas hydrophila) QS系统（Lu et al., 2023)，以及靶向杀鲑气单胞菌（Aeromonas salmonicida)细胞色素氧化酶等必需代谢酶（Dey and Kumar, 2025)；无乳链球菌（Streptococcus agalactiae)——采用精密的减法基因组学方法识别该病原体特有的必需蛋白，随后进行虚拟筛选寻找抑制剂，为影响罗非鱼的多药耐药菌株提供关键策略（Favero et al., 2020)。
靶向病毒病原体：对于无有效治疗的病毒性疾病，计算机模拟方法提供重要发现平台。对抗虾白斑综合征病毒（WSSV)是一个突出例子。研究利用分子对接识别植物源代谢物和其他小分子，可结合并潜在抑制WSSV结构蛋白如VP26和VP28，这些蛋白对病毒进入和组装至关重要（Iftehimul et al., 2025)。
6.2.2 疫苗开发
现代疫苗设计越来越依赖免疫信息学与分子建模之间的协同。这种"反向疫苗学"方法从病原基因组而非整个生物体开始。该过程涉及计算识别可能具有抗原性的蛋白质（即能够刺激免疫反应）。从这些蛋白质中，预测被B细胞和T细胞识别的特定结构——表位。最有希望的表位在计算机中组合，通常与增强免疫反应的佐剂分子一起，创建多表位亚单位疫苗（Konhar et al., 2025)。分子对接和MD模拟随后作为最终验证步骤，建模Mid this designed疫苗与宿主免疫受体（如TLR或主要组织相容性复合体（MHC)分子）的相互作用。稳定的高亲和力相互作用预测体内强免疫原性反应。这整个流程能够合理设计安全有效的疫苗，如最近针对嗜水气单胞菌（A. hydrophila)和柱状黄杆菌（Flavobacterium columnare)的案例研究所示（Alawam and Alwethaynani, 2024)。
6.2.3 理解宿主-病原体相互作用
有效阻断感染需要理解病原体在分子水平上与宿主的相互作用方式。蛋白质-蛋白质对接是此目的的关键工具。通过建模病原体毒力因子与宿主细胞受体或免疫蛋白之间的相互作用，研究人员可以创建详细的感染过程"蓝图"。虾类水产养殖中的一项里程碑研究使用此方法阐明白腿虾（L. vannamei)免疫相关蛋白（如铁蛋白和蛋白激酶）与副溶血弧菌（V. parahaemolyticus)毒力蛋白（如趋化性CheY蛋白和III型分泌系统组分）之间的相互作用（Rosilan et al., 2024)。该研究不仅预测了结合界面，还使用广泛的MD模拟确认这些复合物的稳定性并计算其结合亲和力。这项工作鉴定了介导相互作用的特定氨基酸"热点"，为未来设计通过破坏这些关键宿主-病原体相互作用发挥作用的药物提供了精确靶点。
6.3 新前沿：水产中的癌症靶向
为水产养殖开发的计算药物发现工具有更广泛的应用，突出海洋生物技术与人类健康的相互关联性。一个令人兴奋的交叉领域涉及对源自海洋生物的生物活性化合物进行抗癌特性的计算机模拟筛选。海洋环境，包括与渔业和水产养殖相关的环境，是新型化学多样性的丰富来源。研究人员使用分子对接筛选来自褐藻（Sargassum）等海洋藻类和其他海洋无脊椎动物的化合物，对抗人类癌症途径中的关键蛋白靶点。例子包括鉴定岩藻黄素作为caspase-3（程序性细胞死亡的关键酶）的潜在抑制剂（Ramos-Vivas and Acosta, 2024)，以及筛选海洋天然产物库寻找雌激素受体α的抑制剂（乳腺癌治疗的关键靶点）（Alamri et al., 2021)。这展示了为水产 purposes 磨练的专业知识和方法学如何 contribute to 更广泛的生物医学研究领域。
6.4 确保可持续性和环境健康
6.4.1 生物修复策略
有毒含氮废物（特别是氨）的积累是高密度循环水养殖系统（RAS)的主要限制因素。计算酶设计是一个新兴领域，旨在创造具有定制功能全新的酶。使用蛋白质工程原理和分子建模，研究人员可以设计具有增强稳定性和催化效率的酶，用于分解特定污染物。该方法可用于工程化超高效的硝化酶（如氨单加氧酶），用于生物修复过滤器，更有效快速地去除水产养殖系统中的氨（Braun et al., 2025)。
6.4.2 毒素结合和中和
有害藻华（HABs)可产生强效蓝藻毒素，如微囊藻毒素，对养殖鱼类有毒并可在其组织中积累，对人类消费者构成风险。微囊藻毒素毒性的主要机制是抑制宿主蛋白磷酸酶（PPs)。分子对接可用于筛选可作为"中和剂"的分子，通过直接结合毒素本身或结合靶蛋白磷酸酶的活性位点，从而阻止毒素结合。这为开发水处理或饲料添加剂以缓解HAB事件影响提供潜在策略（Yu et al., 2022)。
7 水产养殖应用中的对接-模拟流程批判性评价
7.1 已发表水产养殖研究中的方法学标准与可重复性
标准计算流程用于识别和验证药物或疫苗候选物，从靶蛋白制备、配体库制备、分子对接、对接后相互作用分析到MD模拟验证，最终通过MM-PBSA或MM-GBSA方法进行结合自由能估计（Brueckner et al., 2024)。虽然这一通用框架在制药科学中已确立，但水产养殖研究中的应用存在若干反复出现的缺陷，损害了已发表发现的转化价值（Meng et al., 2011; Sabe et al., 2021)。
对水产养殖对接文献的批判性审视揭示，相当比例的研究遗漏了基本方法学细节（Pagadala et al., 2017)。网格盒尺寸和中心坐标——根本决定采样哪个结合位点——很少完整报告，阻止独立复制（Meng et al., 2011)。可电离残点在活性位点的质子化状态很少讨论，尽管鱼肠道环境和水生介质跨越广泛的pH范围，与大多数对接 protocols 最初验证的哺乳动物背景显著不同（Lin and MacKerell, 2019; Chaudhary and Mishra, 2016)。这些不是次要的 style 遗漏；它们是系统性误差的来源，可使对接分数失去意义（Chaudhary and Mishra, 2016)。
7.2 水生病原菌对接预测的具体局限性
水生病原菌生物学的几个特征使标准制药对接工作流的直接应用特别成问题。首先，许多优先水产养殖病原体——包括副溶血弧菌（V. parahaemolyticus)、嗜水气单胞菌（A. hydrophila)和WSSV——缺乏其最相关毒力靶点的实验解析三维蛋白结构（Rosilan et al., 2024; Alawam and Alwethaynani, 2024; Iftehimul et al., 2025)。因此必须从远缘哺乳动物或非水生细菌模板构建同源模型，引入结构不确定性，然后 propagated through 每个下游对接和模拟计算（Meng et al., 2011; Pagadala et al., 2017)。当靶点与模板之间的序列同一性低于40%时，同源模型的准确性急剧下降，然而许多水产养殖对接研究使用基于30%-45%范围序列同一性模板构建的模型，而未报告或讨论这一局限性（Pagadala et al., 2017; Chaudhary and Mishra, 2016)。
其次，广泛使用的对接程序所采用的评分函数几乎完全在哺乳动物药物-受体数据集上训练和基准测试（Chaudhary and Mishra, 2016)。它们对水产养殖相关配体-病原体蛋白复合物结合亲和力排名的准确性尚未得到系统验证（Meng et al., 2011; Pagadala et al., 2017)。来自制药药物发现的实证证据表明，即使在特征良好的人类靶点上，虚拟筛选活动的假阳性率也达70%-90%；对于结构不确定的水产养殖病原体靶点，这些比率预计会 equal 或更高（Sabe et al., 2021)。因此，没有实验后续而报告虚拟筛选单个 top-ranked 化合物的研究应被解释为假设生成，而非结论性的（K and Venugopal, 2024; Vidal-Limon et al., 2022)。
第三，水生环境引入了标准哺乳动物生理条件下很少反映的物理化学条件——可变的盐度、广泛的温度范围和离子组成，这些在水产养殖研究的MD模拟设置中很少反映（Rosilan et al., 2024; Chowdhury et al., 2024)。几乎所有已发表的水产养殖MD模拟都在标准哺乳动物生理条件下运行（0.15 M NaCl，310 K，中性pH），这不能准确代表海洋或广盐性病原体及其宿主的细胞内或细胞外环境（Rosilan et al., 2024; Iftehimul et al., 2025)。模拟条件与生物学现实之间的这种不匹配削弱了从这些模拟得出的稳定性和结合自由能结论的有效性（Lin and MacKerell, 2019)。
7.3 验证差距与实践实施的障碍
也许当前水产养殖对接文献中最关键的限制是普遍缺乏实验验证（Meng et al., 2011; Sabe et al., 2021)。对最近发表研究的审查显示，绝大多数在计算预测阶段即告结束，实验后续——酶抑制试验、最低抑菌浓度测定或体内挑战试验——缺失或仅描述为未来建议（Alawam and Alwethaynani, 2024; Favero et al., 2020; Tahamid Tusar et al., 2025)。这一验证差距意味着文献正在积累大量看似有前途的计算预测，其中没有任何一项被证明能在鱼或虾的现实条件下产生生物活性（Tammas et al., 2024)。
弥合这一差距的障碍既是科学的也是结构性的。实验上，验证针对水产养殖病原体的计算机识别 hits 需要获取病原体培养设施、挑战试验基础设施和与应报告水生病原体相关的生物安全批准——计算生物学小组 rarely 拥有的资源（Cain, 2022; Tammas et al., 2024)。结构上，学术激励系统独立于实验后续奖励计算出版物，意味着将对接 hit 转化为可用治疗的设计-构建-测试-学习循环 rarely 在单一研究项目中完成（Sabe et al., 2021)。解决这一差距需要计算小组与水生动物健康实验室之间 deliberate、 funded 的跨学科合作——在当前水产养殖研究格局中仍属罕见的模式（Rana et al., 2021; Tammas et al., 2024)。
监管和商业障碍进一步限制转化。通过虚拟筛选识别的任何新化合物必须 navigating 水产养殖特定的监管批准途径，如欧洲药品管理局或美国FDA兽医中心的要求，需要目标物种中全面的安全性、有效性和残留数据（Tammas et al., 2024)。这一过程的成本和时间（通常超过五年，花费数千万美元 for a novel 兽药），意味着只有少数具有强商业支持的化合物可能超越学术出版物（Mohammed et al., 2025; Tammas et al., 2024)。通过植物化学筛选鉴定的天然化合物——在水产养殖对接文献中占主导地位——面临标准化、生产规模化和水生环境中稳定性的额外挑战，这些在计算研究中 rarely 考虑（Sivakumar et al., 2021; Lu et al., 2023; Tahamid Tusar et al., 2025)。
8 跨越与拓展视野
分子对接和模拟整合到水产养殖研究并非在真空中发生。它是更广泛技术收敛的一部分，这些工具被组学、化学信息学和免疫信息学的进步所放大，并反过来 contribute to 这些领域。
8.1 传统与计算方法：范式转变
虚拟筛选相对于实验高通量筛选的实际优势在药物发现背景下 well documented，并重要地延伸到水产养殖应用（Sabe et al., 2021)。传统 wet-laboratory 筛选活动需要大量合成基础设施、生物测定能力和持续资金，这些对水产养殖研究小组——特别是亚洲和全球南方主要水产养殖生产地区的研究小组——基本不可及。虚拟筛选大幅降低这些障碍，尽管需要注意，当 top-ranked 化合物最终被实验测试时，较低的确认率部分抵消了成本优势——这一考虑在水产养殖虚拟筛选出版物中 frequently 缺失（Sabe et al., 2021)。这种速度和成本的显著降低允许探索更大、更多样化的化学空间。此外，计算方法提供深刻的伦理效益。通过在计算机中预先筛选和优先排序化合物，需要动物实验测试的化合物数量大幅减少。这直接支持动物实验中替代、减少和优化（3Rs)的伦理原则，对现代研究日益重要，特别是需要诱导鱼类疾病的疾病挑战模型（Sabe et al., 2021)。
8.2 整合组学与对接：协同方法
分子建模的真正力量在由组学技术的大规模生物数据指导时得以释放。这种整合创建了从生物体水平观察到分子水平干预的强大、假设驱动的工作流（Du et al., 2024)。
8.2.1 基因组学和转录组学
基因组和转录组分析提供生物体的蓝图和活动日志。在疾病背景下，比较感染与健康对照的转录组实验（如RNA-Seq）可识别数百个在感染期间显著上调的基因。这些基因通常编码对病原体毒力或宿主免疫反应必不可少的蛋白质。该数据集为分子对接研究提供高优先级、生物学验证的靶点列表。与其猜测靶向哪个蛋白质，研究人员可以将计算努力集中在 demonstrably 参与疾病过程的蛋白质上（Du et al., 2024)。
8.2.2 蛋白质组学
蛋白质组学，即蛋白质的大规模研究，作为关键验证步骤。虽然转录组学揭示哪些基因正在被转录，但蛋白质组学（通常使用质谱）确认这些基因实际上被翻译成功能性蛋白质，并能在特定组织中量化其丰度（Du et al., 2024)。确认潜在靶点蛋白在相关组织（如肠道或肝脏）感染期间 high levels 存在，为其作为治疗剂的可行和可及靶点提供强有力证据。
这种组学与计算机模拟的整合正在推动发现过程的根本转变。传统工作流是"靶点中心"的——研究人员花费数年表征单一已知酶，然后寻找抑制剂。新的整合流程是"表型中心"的——从生物状态（如疾病 vs 健康）开始，使用组学揭示所有涉及的分子参与者，然后采用高通量对接同时 screening 针对这些新靶点的数十种药物。这种方法不仅加速发现 pace，还通过靶向生物学最相关的分子增加找到有效药物的概率。
8.3 化学信息学和免疫信息学的兴起
两个生物信息学的 specialized 子学科提供直接 fed into 分子对接和模拟流程的基本框架和工具。
8.3.1 化学信息学
化学信息学将信息技术工具应用于解决化学问题。在药物发现中，其主要作用是创建、管理和分析庞大的化学数据库（Gasteiger, 2016)。化学信息学工具用于生成和管理包含数百万甚至数十亿化学结构的虚拟库。它们采用方法计算分子描述符和"指纹"，编码分子的结构和理化性质。这些描述符随后用于筛选库的"类药物"性质，确保虚拟筛选努力 focus on 具有更高成功概率的化合物。本质上，化学信息学为虚拟筛选活动提供高质量的"数字弹药"（Raslan et al., 2023)。
8.3.2 免疫信息学
免疫信息学位于免疫学和计算机科学的交叉点，已成为现代疫苗设计 indispensable（Razali et al., 2023)。如第6.2.2节详述，免疫信息学提供挖掘病原体基因组 for potential 抗原和预测其中特定T细胞和B细胞表位所需的算法和数据库。这一计算机预测过程是反向疫苗学流程的关键第一步。免疫信息学的输出——有前途的肽表位列表——成为分子建模的直接输入，其中对接和模拟用于将这些肽组装成多表位疫苗（MEV)构建体并验证其潜在免疫原性。从序列分析到结构建模的无缝交接 exemplifies 这些计算学科之间的强大协同。
9 水产养殖案例研究
案例研究1：设计针对嗜水气单胞菌（A. hydrophila)的多表位疫苗（MEV)
问题：嗜水气单胞菌是一种普遍存在的机会性细菌病原体，引起运动性气单胞菌败血症（MAS)，导致包括鲤鱼和罗非鱼在内的许多鱼类物种 farming 的重大经济损失。多药耐药菌株的日益流行使疫苗成为关键预防策略，但开发广泛保护的疫苗仍具挑战（Lu et al., 2023)。
计算方法：研究人员采用最先进的计算机疫苗设计流程，结合反向疫苗学和免疫信息学与分子建模（Alawam and Alwethaynani, 2024)。工作流从选择溶血素（一种高度保守的强效毒素）作为靶抗原开始。其氨基酸序列使用免疫信息学服务器挖掘，预测B细胞和T细胞（MHC-I和MHC-II）表位面板。这些预测表位随后经过抗原性、非致敏性和非毒性严格筛选。表现最佳的表位在计算机中使用特定肽接头（如GPGPG）连接，并与已知佐剂（霍乱毒素B亚基）融合，创建单个嵌合MEV蛋白。随后预测并优化这种新型MEV的三维结构。关键的最终步骤涉及使用蛋白质-蛋白质对接（如ClusPro）和广泛的MD模拟（如AMBER）模拟MEV与关键鱼类免疫受体（如Toll样受体4（TLR4)和MHC分子）的相互作用。
关键发现与意义：计算分析预测设计的MEV将是稳定、可溶和安全的蛋白质。免疫模拟预测 robust 免疫反应，能够刺激抗体产生（体液免疫）和T细胞活化（细胞免疫）。对接和MD模拟确认MEV与靶免疫受体形成稳定、高亲和力复合物，结合能在-900至-1000 kcal/mol范围。这表明体内强免疫激活的可能性很高。本案例研究为准备实验验证的有前途的疫苗候选物提供了完整蓝图。通过靶向保守毒力因子并包含多个表位，该方法有可能创建提供针对多种嗜水气单胞菌菌株广泛保护的疫苗，代表预防这一毁灭性疾病的重大进展。
案例研究2：发现针对罗非鱼多药耐药无乳链球菌（S. agalactiae)的新型药物候选物
问题：无乳链球菌（B群链球菌）已成为罗非鱼水产养殖的主要病原体，引起链球菌病，可导致大规模死亡。由于特别关注多药耐药菌株的上升，如血清型III、序列型283（ST283)，这也与人类的食源性疾病相关，使其成为人畜共患威胁（Favero et al., 2020)。传统抗生素的失败 necessitates 发现具有新靶点的新药。
计算方法：本研究利用称为减法基因组学的强大基因组驱动策略识别新靶点，随后进行虚拟筛选寻找抑制剂（Favero et al., 2020)。研究人员首先比较了多种病原性无乳链球菌菌株的完整基因组与其宿主（罗非鱼和人）的基因组。使用生物信息学工具，他们识别出细菌存活必不可少但在宿主基因组中无同源物的一组"核心"蛋白质（最小化药物副作用的标准）。这些潜在靶点进一步基于其亚细胞位置（胞质蛋白通常是好的靶点）和预测的"可药性"（清晰定义结合口袋的存在）进行筛选。最后，前五个靶蛋白的三维结构被建模，并使用分子对接软件（AutoDock Vina）对其筛选超过5000种来自ZINC数据库的天然类药物化合物。
关键发现与意义：减法分析成功识别无乳链球菌中五个新型且高度有前途的药物靶点。虚拟筛选活动鉴定出几种对这些靶点具有高预测结合亲和力的天然化合物。最佳总体 hit 是化合物ZINC04236030，与细菌调控蛋白RegM/CcpA（代谢和毒力的关键控制器）表现出强而特异的结合相互作用（结合亲和力-8.4 kcal/mol）。本案例研究 exemplifies 现代药物发现的高效流程。在相对较短的时间和最小成本内，它从全基因组推进到 Novel 药物靶点和潜在先导化合物的识别，为实验后续开发针对危险、耐药病原体的新疗法提供了清晰合理的途径。
案例研究3：阐明虾类弧菌感染的分子机制
问题：弧菌病是虾类水产养殖中最具破坏性的细菌疾病之一，引起急性肝胰腺坏死病（AHPND)等疾病。虽然已知弧菌病原体利用毒力因子克服宿主免疫系统，但允许它们这样做的精确分子相互作用一直 poorly understood，阻碍了靶向疗法的开发（Rosilan et al., 2024)。
计算方法：为绘制虾与病原体之间的分子战场，研究人员使用以蛋白质-蛋白质对接和MD模拟为中心的方法（Rosilan et al., 2024)。他们首先鉴定相互作用中的关键蛋白质：来自白虾（Penaeus vannamei)的免疫相关蛋白，如铁蛋白和G蛋白偶联受体（GPCR)，以及来自细菌（副溶血弧菌（V. parahaemolyticus)）的已知毒力因子，包括趋化性CheY蛋白及其III型分泌系统（用于将毒素注入宿主细胞的分子注射器）组分。然后使用蛋白质-蛋白质对接预测这些宿主和病原体蛋白如何物理相互作用。最稳定预测的复合物随后接受广泛的100纳秒MD模拟，以验证其在动态水环境中的稳定性，并使用MM/PBSA方法计算其结合自由能。
关键发现与意义：模拟确认宿主和病原体蛋白形成高度稳定的复合物，有利的结合自由能在-22.50至-30.20 kJ/mol范围。对模拟轨迹的分析揭示了界面处形成关键氢键和盐桥的关键氨基酸残基。例如，发现虾的蛋白激酶结构域与细菌的CheY蛋白之间的相互作用特别强。本研究提供了前所未有的宿主-病原体相互作用原子级视图。它本质上创建了感染过程的分子"蓝图"，鉴定了病原体成功所必需的精确分子握手。这些知识非常宝贵，因为它提供了 Novel 药物靶点，这些药物不是设计来杀死细菌，而仅仅是破坏这些蛋白质-蛋白质相互作用，有效地解除病原体武装，让虾的免疫系统清除感染。
案例研究4：深入理解PmRab7-VP28复合物相互作用以开发针对虾WSSV的预防策略
问题：白斑病（WSD)由WSSV引起的死亡率高达100%，仅在3-7天内 wipe out 虾养殖。虽然病毒通过将虾内体受体蛋白PmRab7与病毒包膜蛋白VP28连接引起感染，但这一联系的分子细节尚不清楚。
计算方法：使用RatRab7作为模板，科学家创建了PmRab7的同源模型并获得VP28的晶体结构（PDB 2ED6)。蛋白质经能量优化后与PatchDock对接，top complex（结合能-31.91 kJ mol
-1）随后在GROMACS中进行MD模拟。使用轨迹分析（均方根偏差（RMSD）、回转半径、氢键数量、范德华和静电能）评估稳定性并鉴定关键界面残基（Verma et al., 2013)。
关键发现与意义：整个MD运行期间，PmRab7-VP28复合物稳定（RMSD < 0.6 nm，回转半径≈2.13 nm）。随着更多π-π相互作用，最初的九个氢键在最初的4纳秒内增长到33个，表明界面逐渐变得更紧密。VP28上的Ser74、Ile143、Thr184、Arg53和Asn144以及PmRab7上的Arg69、Val75、Leu73、Arg79和Ala198是关键相互作用残基；特定连接如Arg69-Ser74和Val75-Ile143主导结合表面。破坏这些残基或其氢键网络可阻止PmRab7-VP28复合物形成，为抗WSD抗病毒方法提供分子靶点。该发现通过提供开发抑制剂或培育抗病虾的结构基础，推进了宿主-病毒进入的基本知识和实用疾病控制策略。
案例研究5：病毒性神经坏死症（VNN)多价疫苗——计算设计与评估
问题：病毒性神经坏死症（VNN)由betanodavirus引起，可导致100%死亡率，威胁全球水产养殖。该疾病由神经坏死病毒引起，在地中海地区非常普遍，影响每个发育阶段的鱼类物种。开发有效的VNN预防策略至关重要。
计算方法：研究采用免疫信息学开发针对五种不同betanodavirus物种RNA指导的RNA聚合酶（RdRp)的多表位疫苗。蛋白质序列从UniProt/NCBI获取，并检查保守性、非致敏性、非毒性和抗原性（VaxiJen)。使用IEDB技术预测细胞毒性T淋巴细胞（CTL)、辅助T淋巴细胞（HTL）和线性B细胞表位。这些随后与PADRE和人β-防御素佐剂融合，并使用AAY、GPGPG、KK和EAAAK接头连接。研究人员建模、优化和验证了两个构建体（V1、V2)（拉氏图、ERRAT、ProSA）。通过分子对接与Toll样受体（TLR2、TLR7和TLR8）和鱼类HLA等位基因结合，并通过100纳秒MD模拟确定复合物稳定性（Moin et al., 2024)。
关键发现与意义：选择八个CTL、HTL和B细胞表位后，生成了具有良好抗原性、溶解度和稳定性的构建体。两种疫苗均显示积极的理化特性；V2与TLR8的结合亲和力和稳定性最佳（最低能量、一致的RMSD、回转半径和氢键研究）。计算机多价疫苗通过针对多种betanodavirus菌株提供广泛保护，填补了当前单价疫苗留下的空白。建议在模型动物中进行实验验证以确认有效性，这可能为水产养殖部门提供快速可扩展的疫苗接种方法。
案例研究6：针对白斑综合征的天然抗病毒药物候选物高通量筛选的计算药物设计方法
问题：WSSV被认为是最致命的病原体，影响斑节对虾（Penaeus monodon)，引起WSD。目前，没有已知的抗WSSV治愈方法或疗法，有限的研究导致其扩散。VP28是WSSV的主要包膜蛋白和最丰富的主要表面蛋白，在与宿主细胞受体相互作用和促进病毒进入方面起关键作用。它自然组装成病毒包膜中的三聚体。因此，阻断VP28三聚体在内吞途径中的相互作用被认为是最佳的抗病毒策略（Tahamid Tusar et al., 2025)。
计算方法：研究采用多阶段计算策略发现靶向VP28三聚体的抗病毒药物候选物。筛选了187种生物活性化合物的虚拟库。这些化合物来自药用植物印楝（Azadirachta indica）和假马齿苋（Bacopa monnieri）。化合物从数据库（IMPPAT 2.0、杜克植物化学和民族植物学数据库）和文献检索获得。获取了WSSV主要病毒包膜蛋白VP28的晶体结构（PDB ID：2ED6）。使用CASTp 3.0服务器预测并鉴定对接分析中VP28三聚体的结合位点残基。使用PyRx 0.8软件进行基于结构的虚拟筛选，采用AutoDock Vina向导对187种化合物进行VP28三聚体筛选。化合物按结合亲和力（最负的结合能）排名。选择前30种化合物（结合亲和力在-8.5至-10.2 Kcal/mol之间）进行进一步分析。使用Discovery Studio 2024和UCSF Chimera 1.18手动检查结合相互作用。使用SwissADME网络服务器预测top化合物的药代动力学特性和理化性质。使用ProTox 3.0服务器评估潜在抗病毒剂的毒理学特征，包括细胞毒性、肝毒性、致癌性、致突变性和免疫毒性参数。对VP28三聚体apo形式以及选定的蛋白-配体复合物进行约100纳秒MD模拟，使用YASARA（版本24.4.10）。进行分子力学/泊松-玻尔兹曼表面积（MM-PBSA）计算以定量评估蛋白与配体之间的总结合自由能和相互作用强度。
关键发现与意义：研究认为表儿茶素、木犀草素、山柰酚和芹菜素是最有效和最有前途的药理学选择。所有四种分子与VP28三聚体显示出相似的相互作用模式，包括π-供体氢键、范德华相互作用和传统氢键。这四种物质均显示出色的药代动力学特性。MD模拟验证了这些化合物在VP28结合位点的结构稳定性。MM-PBSA结合自由能计算进一步验证了结合相互作用的强度和结构稳定性。结果表明，这些化合物特别是表儿茶素、山柰酚、木犀草素和芹菜素，具有治疗WSSV感染的大量潜力。本计算工作通过提供关于WSSV VP28的深入信息，可能增强鱼类病毒治疗。作者建议，进一步的体内和体外研究对于确定这些植物化学物质预防WSSV的实际效果至关重要。
案例研究7：设计预防虾肝胰腺微孢子虫病的计算机疫苗
问题：在养殖虾中，肝胰腺微孢子虫病（HPM)由孢子形成细胞内寄生虫Enterocytozoon hepatopenaei（EHP)引起，是一种经济灾难性疾病。南亚国家、澳大利亚和委内瑞拉报告了该疾病的大规模暴发。已知它抑制宿主虾在水产养殖中的生长。由于目前尚无EHP的治疗或疫苗，控制和预防感染和传播具有挑战性。为解决水产养殖中这一潜在灾难性问题，有效的疫苗接种计划至关重要（Islam et al., 2022)。
计算方法：为创建针对EHP的表位疫苗，研究使用免疫信息学（计算机疫苗设计）。NCBI数据库包含EHP孢子壁蛋白（SWPs），以其在致病性和宿主细胞识别中的作用而知名。使用VirulentPred和VaxiJen v2.0服务器，选择三种高毒力和抗原性的SWP，并评估其毒性（ToxinPred）和致敏性（AllerTop v2.0)。使用EpiQuest 2014和iBCE-EL服务器分别鉴定所选SWP的细胞毒性T淋巴细胞（CTLs)和线性B淋巴细胞（LBL)表位。组合特定CTL和LBL表位开发多表位疫苗。为提高免疫原性，添加佐剂（50S核糖体蛋白L7/L12，TLR4激动剂），RS09（APPHALS）和PADRE序列作为接头。使用ProtParam、VaxiJen v2.0、免疫原性、AllerTop和SOLpro服务器预测分子量、等电点（pI)、不稳定指数、脂肪族指数、抗原性和溶解度等属性。RaptorX服务器产生三维结构，随后使用GalaxyRefine优化，而SOPMA和PSIPRED v4.0服务器预测二维结构元件。使用PyMOL v2.3.4进行可视化。使用Z-分数（ProSA-web）和拉氏图（PROCHECK服务器）验证改进的三维结构的质量和有效性。使用Disulfide by Design 2.0（DbD2)引入二硫键以增强结构稳定性。ClusPro v2.0服务器通过分子对接评估Toll样受体4（TLR4）蛋白（受体）与疫苗设计（配体）之间的亲和力和结合相互作用。使用"Desmond v6.3程序"进行50纳秒（ns）MD模拟，分析均方根偏差（RMSD)和均方根波动（RMSF)以评估疫苗TLR4的结合和热力学稳定性。使用JCat服务对疫苗构建体的核苷酸序列进行大肠杆菌（Escherichia coli) K12的密码子优化。评估GC含量和密码子适应指数（CAI)后，使用SnapGene v4.2软件将优化序列克隆到pET28a（+）表达载体中。
关键发现与意义：预测所有三种选择的孢子壁蛋白SWP12、SWP7和SWP26均为抗原性、非致敏性和非毒性，其中SWP7和SWP26显示最高水平的抗原性。为每个选择的孢子壁蛋白鉴定了多个免疫原性、非致敏性和非毒性CTL和LBL表位。产生的疫苗有303个氨基酸，显示良好的理化特性。改进的三维结构具respectable Z-评分-5.65，拉氏图中最有利区域80.7%的残基，显示出显著验证。其稳定性通过二硫键工程进一步优化。分子对接显示疫苗与TLR4受体形成稳定复合物，能量评分低-967.5，接触表面九个氢键，表明紧密结合和可能的感染抑制功能。MD模拟证实疫苗-TLR4复合物的结构稳定性和柔性，平均RMSD 4.86?，大多数RMSF值低于4.0?。密码子优化产生的大肠杆菌K12 CAI值高达1.0，最佳GC含量45.87%。成功计算机克隆到pET28a（+）载体。结果表明，建议的肽疫苗是虾HPM预防的可行选择。由于其免疫优势特性、结合免疫受体能力以及引发针对EHP强免疫反应的能力，它可能是一种安全有效的新疫苗方法。
10 批判性评价：利与弊
虽然分子对接和模拟是变革性技术，但保持对其能力和局限性的平衡视角至关重要。批判性评价揭示，它们作为假设生成工具的力量巨大，但并非万灵药，存在固 challenge，可被视为必须承认的预测，以负责任地应用。
10.1 优势
将计算机模拟方法纳入水产养殖研究的效益是 substantial 且多方面的：速度和成本效益——最显著优势是 discovery process 的急剧加速，成本仅为实验方法的一小部分。虚拟筛选可在实验测试数千种的时间内评估数百万潜在药物候选物。允许研究更快、更便宜地失败，将昂贵的实验室资源仅 focus on 最有前途的计算机验证候选物（Ferreira and Carneiro, 2025; Sabe et al., 2021)。原子水平的机制见解——这些工具提供通过实验手段 alone 往往无法达到的细节水平。它们允许研究人员可视化药物与其靶点的精确三维相互作用，理解为什么一种化合物比另一种更有效，并合理设计修饰以改善结合亲和力或特异性。这使药物设计从偶然发现过程转变为理性工程（Vidal-Limon et al., 2022)。伦理效益和3Rs——通过预筛选和优先排序化合物，计算方法显著减少研究所需动物数量，特别是用于功效和毒性测试。这直接支持动物实验中替代、减少和优化（3Rs)的伦理原则，对监管机构和公众日益重要（Sabe et al., 2021)。探索新化学和生物空间——虚拟库可包含从未合成的化合物，允许探索 Novel 化学骨架。类似地，组学引导的靶点识别可指向以前未考虑的新生物靶点，开辟全新的治疗干预途径。
10.2 局限性
尽管具有 substantial 预测能力，计算方法本质上依赖复杂物理和生物系统的简化表示和近似。因此，其输出必须被适当谨慎和情境理解地解释。
依赖高质量结构数据：结构基础技术如分子对接的"垃圾进，垃圾出"原则特别 relevant。这些方法的可靠性根本取决于靶蛋白准确三维结构的可用性。当实验解析结构不可用时，必须使用同源模型；然而，此类模型可能引入结构不准确性，特别是在柔性区域和活性位点，从而将误差传播到每个下游对接和模拟分析（Lin and MacKerell, 2019)。评分函数和力场的局限性：分子对接中使用的评分函数的固有不准确性是最 significant 的技术限制之一。这些函数通常无法精确估计结合亲和力，导致假阳性（高分但非活性化合物）和假阴性（低分但生物活性化合物）。类似地，MD模拟中使用的经典力场是物理现实的参数化近似，不完全 account for 量子力学现象，如电子极化和电荷转移，这些可能 critical influence 某些分子相互作用（Lin and MacKerell, 2019)。高计算需求：虽然计算方法通常比实验方法更快、资源密集度更低，但仍具有高计算需求。高精度结合自由能计算、长时间尺度MD模拟或超大规模虚拟筛选活动需要获取高性能计算（HPC)基础设施或大量云计算资源。这些要求可能对计算能力有限的研究组构成财务和后勤挑战（Cournia et al., 2017)。实验验证的必要性：必须强调计算机发现代表预测性假设而非决定性证据。通过虚拟筛选或分子模拟识别的所有有前途的候选物都必须经过严格的实验验证。这通常涉及体外试验（如酶抑制或结合研究），随后体内评估（如鱼类或虾类中的疾病挑战试验），以确认现实生理条件下的生物活性、安全性和有效性。
也许该领域面临的 greatest challenge 不是技术上的，而是文化和后勤上的："验证差距"。计算科学家（善于生成预测）和实验生物学家（有资源和专长测试它们）之间往往存在脱节。要实现计算机模拟发现 promise 在水产养殖中的 fully realised，弥合这一差距 essential。这需要培养 deep、跨学科合作，创建集成的"设计-构建-测试-学习"循环，其中计算预测直接inform实验工作，而实验结果又用于改进和改进计算模型。没有 such collaborative frameworks，即使有前途的计算发现也可能保持为理论练习，而非使行业受益的切实产品。
水产养殖背景下 further underappreciated 的限制是计算工具与靶生物之间的分类学不匹配。绝大多数对接评分函数、MD力场和ADMET预测工具都是使用哺乳动物（主要是人类）生物学数据开发和验证的。鱼类和甲壳类动物的蛋白质、免疫受体和代谢酶在关键结构和理化性质上 frequently differ from 其哺乳动物对应物。例如，疫苗设计研究中用作对接靶点的鱼类MHC分子显示与人类HLA等位基因 substantially 不同的肽结合槽几何形状，但应用的免疫信息学预测工具是在人类免疫学数据上训练的。类似地，变温水生动物中候选化合物的药代动力学行为无法由为温血哺乳动物参数化的ADMET工具可靠预测。这些标准计算工具中embedded 的生物学假设与水产养殖物种实际生物学之间的系统性不匹配，代表该领域尚未充分解决的根本限制。
11 未来展望
计算分子建模正以 rapid pace 前进，AI、量子力学混合方法和结构生物学的发展为解决前几节中识别的 several 方法学限制提供潜在解决方案。这些进步是否 specifically 转化为水产养殖研究的实质性实际收益，将取决于该领域同时解决更基本限制的能力——水产养殖病原体验证靶点结构的稀缺性、系统实验后续 absence，以及目前限制计算预测转化影响的跨学科合作结构性障碍。
11.1 人工智能和机器学习的作用
人工智能及其子领域机器学习（ML)正准备 revolutionise 分子建模流程的每个方面。AI/ML模型不solely 依赖基于物理的方程，而是从 vast 数据集中学习复杂模式，通常 leading to 更快、更准确的预测（Ferreira and Carneiro, 2025)。
改进评分函数：当前对接方法的主要弱点是其评分函数的不准确性。深度学习模型可在大型实验测量的蛋白质-配体结合亲和力数据库上训练。这些AI驱动的评分函数显示出超越经典函数的潜力，导致虚拟筛选中更低的假阳性率和更好的潜在 hits 排名。加速筛选和ADMET预测：AI模型在模式识别方面 exceptionally 擅长。它们可 trained 直接从化合物的二维结构或SMILES预测吸收、分布、代谢、排泄和毒性（ADMET)特性，无需对接。这允许在投入更计算昂贵的对接和MD模拟之前，快速预过滤 massive 化学库（数十亿化合物）（Ferreira and Carneiro, 2025)。从头药物设计：生成式AI模型可更进一步，从头设计 entirely 新分子，这些分子经过计算优化以适应特定蛋白质活性位点并具有期望的理化性质。
11.2 量子力学/分子力学（QM/MM)
对于需要最高水平准确性的情况，特别是涉及化学键形成或断裂（即酶促反应）的情况，经典MD模拟可能不足。量子力学/分子力学（QM/MM)是一种混合模拟技术，提供解决方案（Hasan AL-Dahlaki and Mohammed, 2024)。在QM/MM模拟中，系统中最化学重要的部分——如酶活性位点的反应原子，配体——使用高度准确但计算昂贵的量子力学处理。蛋白质的其余部分和周围溶剂使用快得多的经典MM力场处理。这"两全其美"的方法允许准确研究反应机制、共价抑制剂和超出经典MD reach 的复杂电子效应，为酶工程和药物设计提供 unparalleled 见解。
11.3 个性化水产养殖
从个性化医学领域汲取类比，水产养殖的未来可能涉及设计 tailored to 特定物种甚至遗传上 distinct 品系的干预措施。随着GS项目产生具有特定代谢或免疫特性的鱼类品系，计算工具可用于设计优化其独特生物学的饲料和治疗。例如，如果育种项目开发了具有关键消化酶特定 isoform 的罗非鱼品系，分子对接可用于筛选作为该特定酶变体独特强效激活剂的饲料添加剂。这将代表遗传改良和理性分子设计协同的 pinnacle。
11.4 弥合商业化差距
将 promising 计算机发现转化为水产养殖行业商业可用产品是 long、昂贵和充满 challenge 的旅程。必须克服 several 障碍：实验验证和临床前试验——计算机识别的先导化合物必须经过广泛的体外测试，随后 target 鱼类的体内试验以证明功效和安全性。这一过程 resource-intensive 并需要 significant 投入（Sabe et al., 2021)。监管批准——任何新治疗剂、疫苗或饲料添加剂必须 navigating 复杂的监管批准流程（如美国FDA或欧洲EMA），需要安全、功效和生产质量控制方面的综合数据（Tammas et al., 2024)。商业可行性——最终产品必须具有成本效益地规模化生产，并为农民提供明确的经济效益。过于昂贵的高 efficacy 药物将不会得到广泛采用（Mohammed et al., 2025)。
成功 navigating 这一路径需要学术研究机构（通常是 initial 发现来源）与制药和水产饲料行业的工业伙伴之间建立更强的伙伴关系，后者拥有推动产品开发和商业化的资源和专长。
这些未来技术的融合有望为水产养殖研究创造真正的"数字孪生"。构建 multi-scale 计算模型是 conceivable，它将特定鱼类品系的遗传构成（组学数据）链接到其关键蛋白的三维结构（建模），模拟其对 Novel 饲料添加剂的分子反应（对接/MD），并使用AI模型预测对生长和健康结果的最终影响。如此全面的计算机模拟流程将允许研究人员在将 single 鱼放入 tank 之前，在虚拟环境中测试和优化 new 干预措施，代表预测性、个性化水产养殖的 ultimate 实现。
