AI將數百億種分子藥物篩選成本降至千分之一

美國圣裘德兒童研究醫院、意大利帕維亞大學等機構研究人員開發出一種名為AdaptiveFlow的人工智能（AI）輔助平臺，可對包含690億種分子的化合物庫開展虛擬篩選。與現有方法相比，該平臺可將相關計算成本降至原來的1/1000，并實現最高560萬個虛擬CPU的線性擴展。作為新一代自動化藥物發現平臺，AdaptiveFlow有望讓超大規模虛擬篩選成為常規藥物研發手段。成果發表于最新一期《自然·生物技術》雜志。

所謂虛擬篩選，是指利用計算機模擬候選分子與目標蛋白之間的相互作用，從數量龐大的化合物中篩選出可能與目標蛋白結合的分子。候選分子數量越多，需要進行的計算就越多。當篩選規模達到數十億甚至數百億種分子時，計算資源和成本也會隨之大幅增加。

AdaptiveFlow通過AI和高效云計算架構，讓這種過去計算成本高昂的篩選更加可行。研究人員首先將分子按照分子量等性質劃分到一個18維網格中，從中優先選擇具有不同化學特征的分子進行預篩選。隨后利用機器學習模型分析預篩選結果，識別更有潛力的候選分子，再利用分子對接方法評估這些分子與目標蛋白的結合能力。

該平臺目前支持超過1500種分子對接方案。測試發現，AdaptiveFlow能夠隨著計算資源增加保持近似線性的計算效率，即使同時使用數百萬個CPU，也不會因計算規模擴大而出現明顯的通信效率下降。測試中，其計算框架最高可擴展至560萬個虛擬CPU，并保持線性計算效率。

研究人員利用AdaptiveFlow對包含690億種分子的化合物庫進行篩選，并針對癌癥相關靶點聚腺苷二磷酸核糖聚合酶1和鐵死亡抑制蛋白1（FSP1）開展驗證。結果顯示，平臺針對兩種蛋白均篩選出具有較強結合能力的抑制劑，其表現與具有藥物開發意義的相關標準相當。其中，FSP1屬于近年來受到關注的新興靶點，其結合位點存在額外輔助因子，篩選難度較高。

AdaptiveFlow已開源，并提供使用教程和操作指南，可供科研人員免費使用。研究人員希望以更低成本從龐大的候選分子庫中尋找潛在藥物分子，為針對過去較難開發的藥物靶點開展研究提供新工具。