‎每日资讯速递2026-09-07-690亿分子虚拟筛选成本降至千分之一AdaptiveFlow平台让超大规模AI药物发现成为可能

全文概要
美国圣裘德儿童研究医院、意大利帕维亚大学等机构的研究人员开发出一款名为 AdaptiveFlow 的人工智能辅助平台，可对包含 690 亿种分子的化合物库开展虚拟筛选，将相关计算成本降至现有方法的约 1/1000，并实现最高 560 万虚拟 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从「少数机构的算力实验」变成常规药物研发手段。成果发表于最新一期《自然·生物技术》（Nature Biotechnology）。

---

1. 把成本降到千分之一的分层筛选架构

虚拟筛选，即利用计算机模拟候选分子与靶蛋白的相互作用，从海量化合物中筛出可能结合靶点的分子。候选分子数量越多、计算量越大，当规模达到数十亿甚至数百亿分子时，计算资源与成本会急剧上升，成为制约其普及的瓶颈。

AdaptiveFlow 通过 AI 与高效云计算架构破解这一难题。研究人员首先将分子按分子量等性质划分到一个 18 维网格中，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；再以分子对接方法评估这些分子与靶蛋白的结合能力。平台目前支持超过 1,500 种分子对接方案。测试发现，即便同时使用数百万个 CPU，AdaptiveFlow 也能保持近似线性的计算效率，最高可扩展至 560 万虚拟 CPU 而不出现明显通信效率下降。

2. 在两个癌症相关靶点上的验证

为检验平台有效性，研究人员利用 AdaptiveFlow 对 690 亿分子的化合物库进行筛选，并针对两个癌症相关靶点开展验证：聚腺苷二磷酸核糖聚合酶 1（PARP1）和铁死亡抑制蛋白 1（FSP1）。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，表现与具有药物开发意义的相关标准相当。

其中 FSP1 是近年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 在这样一个「困难靶点」上取得成功，说明该平台具备处理复杂、非经典结合口袋的能力，为针对过去难以开发的药物靶点开展研究提供了新工具。

3. 开源生态与 AI 制药的「算力平民化」

AdaptiveFlow 已开源，并配套提供使用教程与操作指南，供科研人员免费使用。这一开源策略的意义在于，将过去被少数拥有超级算力资源的机构垄断的超大规模虚拟筛选能力「下放」给普通课题组，有望推动药物发现的「算力平民化」。

对医学 AI 与药物研发交叉领域而言，AdaptiveFlow 的出现与英矽智能、圣裘德等机构在 AI 药物发现上的持续投入相呼应，标志着 AI 辅助药物筛选正从「筛选更准」迈向「筛选更大、更快、更便宜」。研究人员希望以更低成本从庞大候选分子库中寻找潜在药物分子，加速从靶点到先导化合物的早期研发进程。

来源：新华网、Nature Biotechnology

---

---

声明：本文资讯来源于公开报道及学术期刊，仅作行业信息传播，不构成临床用药建议。转载需注明来源。