美国圣裘德儿童研究医院、意大利帕维亚大学等机构研究人员开发出一种名为AdaptiveFlow的人工智能（AI）辅助平台，可对包含690亿种分子的化合物库开展虚拟筛选。与现有方法相比，该平台可将相关计算成本降至原来的1/1000，并实现最高560万个虚拟CPU的线性扩展。作为新一代自动化药物发现平台，AdaptiveFlow有望让超大规模虚拟筛选成为常规药物研发手段。成果发表于最新一期《自然·生物技术》杂志。

所谓虚拟筛选，是指利用计算机模拟候选分子与目标蛋白之间的相互作用，从数量庞大的化合物中筛选出可能与目标蛋白结合的分子。候选分子数量越多，需要进行的计算就越多。当筛选规模达到数十亿甚至数百亿种分子时，计算资源和成本也会随之大幅增加。

AdaptiveFlow通过AI和高效云计算架构，让这种过去计算成本高昂的筛选更加可行。研究人员首先将分子按照分子量等性质划分到一个18维网格中，从中优先选择具有不同化学特征的分子进行预筛选。随后利用机器学习模型分析预筛选结果，识别更有潜力的候选分子，再利用分子对接方法评估这些分子与目标蛋白的结合能力。

该平台目前支持超过1500种分子对接方案。测试发现，AdaptiveFlow能够随着计算资源增加保持近似线性的计算效率，即使同时使用数百万个CPU，也不会因计算规模扩大而出现明显的通信效率下降。测试中，其计算框架最高可扩展至560万个虚拟CPU，并保持线性计算效率。

研究人员利用AdaptiveFlow对包含690亿种分子的化合物库进行筛选，并针对癌症相关靶点聚腺苷二磷酸核糖聚合酶1和铁死亡抑制蛋白1（FSP1）开展验证。结果显示，平台针对两种蛋白均筛选出具有较强结合能力的抑制剂，其表现与具有药物开发意义的相关标准相当。其中，FSP1属于近年来受到关注的新兴靶点，其结合位点存在额外辅助因子，筛选难度较高。

AdaptiveFlow已开源，并提供使用教程和操作指南，可供科研人员免费使用。研究人员希望以更低成本从庞大的候选分子库中寻找潜在药物分子，为针对过去较难开发的药物靶点开展研究提供新工具。