本文介紹了基於 PAINS 和警報結構的篩選方法，並簡要比較了兩者的異同。
PAINS被稱為 "泛檢測幹擾化合物"，是藥物篩選中假陽性的主要來源，其實質包括膠體聚集化合物、自發熒光化合物、熒光素酶抑制劑、反應性化合物和多態性化合物。本質上，它們包括膠體聚集化合物、自發熒光化合物、熒光素酶抑制劑、反應性化合物和多靶點化合物。
結構警報更廣泛地定義為有害的化學結構，例如可能有毒的基團，或不穩定、容易在生物體和特定化學反應中降解的基團。這些結構需要在藥物發現過程中盡早識別和篩選出來，以避免不必要的實驗成本浪費。
PAINS 的過濾功能已集成到 RDkit 工具集中，可直接調用。
值得註意的是，PAINS 篩選的有效性在業界多次受到質疑，因為存在太多的假陽性，因此 PAINS 篩選的結果僅供參考，藥物化學家需要在有能力的情況下審查化合物的篩選結構。
與幹擾活性和親和力測試的 PAINS 結構不同，結構預警是壹個更廣泛的概念。例如，以人工智能藥物發現技術著稱的 Insilico Medicine 公司僅用 46 天就設計並篩選出了壹種 DDR1 受體抑制劑，相關成果於 2019 年 9 月發表在《自然-生物技術》上[1]。
文章中提到，Insilico Medicine 使用 150 個內部 STRUCTURE ALERT 來篩選出有毒結構、反應基團或其他不利基團，包括
針對此類警報結構的項目，我們可以通過定義 SMARTS 語法來篩選出不良化合物。
在定義了警報結構後，我們可以通過使用 rdkit 中的子結構匹配功能將其過濾掉
對於我們的待過濾化合物庫（以 SMILES 格式作為數據幀存儲），我們可以應用上述函數對其進行過濾。
與 PAINS 類似，警報結構並非絕對指標，使用前應由藥物化學家進行審查。
此外，葛蘭素史克公司（GSK）根據多年積累的高通量篩選結果，以及其內部化合物庫中 200 萬個化合物在數百次試驗中的實驗結果，統計總結出了自己的壹套警戒結構庫，可作為擴展閱讀參考[2]。
文章中收錄了葛蘭素史克的警示結構，並將其存儲為 SMARTS 結構，為不熟悉 SMARTS 的讀者省去了自行轉換的麻煩。