片段篩選的方法學前沿涵蓋超高通量結晶學、片段庫設計和密碼子結構生物學。
XChem 和 PanDDA
Diamond Light Source 的 XChem 平台以自動化 soaking（~500 個片段/plate）、自動化數據收集（unattended beamline I04-1）和 PanDDA（Pan-Dataset Density Analysis, Pearce et al., 2017）分析揭示弱結合片段的電子密度。PanDDA 以多數據集的平均作為背景模型，偵測佔有率（occupancy）低至 ~30% 的片段結合。這使許多傳統差異密度圖中不可見的弱結合片段能被發現。Fragalysis 平台提供線上可視化和共享。
片段庫設計的原則
最佳片段庫需要：(1) 化學多樣性（scaffold diversity）；(2) 3D shape diversity（逃離「flatland」——過度平面的芳香族片段）；(3) 合成可追蹤性（elaboration vectors 供 growing/linking）；(4) 溶解性（>0.5 mM in DMSO/buffer）。Poised library（Cox et al., 2016）包含可立即進行一步化學反應延伸的片段。sp3-rich 片段庫（3D fragments, Lovering et al., 2009）增加形狀多樣性。
ASAP（Accelerated SBDD 平台）
Moon-shot 式的整合平台結合：cryo-EM + fragment screening + FEP + generative chemistry + DNA-encoded library（DEL）篩選→將 hit-to-lead 的時間從年壓縮到月。COVID Moonshot 計畫（Achdout et al., 2020）以群眾外包 + 開放科學模式，從片段篩選到候選藥物僅用數月——結構資訊的即時公開是此計畫的核心。
動態結合口袋的片段篩選
許多靶標的結合口袋只在特定構象下存在（cryptic sites）。MD-based ensemble 結合 fragment docking 可以探索靜態結構看不到的口袋。實驗上，cross-seeding crystals 在不同配體條件下可穩定不同構象。time-resolved crystallography（serial crystallography at XFEL）甚至可以捕捉片段結合的動態過程。
文獻參考：Congreve, M. et al. (2003). Drug Discov. Today, 8, 876-877. / Pearce, N.M. et al. (2017). Nat. Commun., 8, 15123. / Erlanson, D.A. et al. (2016). Nat. Rev. Drug Discov., 15, 605-619.