编辑推荐：
为解决药物发现中数据难题，研究人员构建智能分布式数据工厂（SDDF）平台，加速药物研发进程。
在药物研发的 “战场” 上，数据就如同关键 “武器”，但当下却面临诸多困境。药物研发依赖于对分子性质的精准预测和理解，机器学习（ML）技术虽在数据丰富领域成绩斐然，在药物发现中却遭遇挑战。“药物相似” 的化学空间估计约有
1060个分子，可现有数据不仅数量有限，质量也参差不齐。许多分子数据集并非为满足 ML 算法需求而设计，像常用的 QM9 数据集，每个分子仅提供一种构象，缺乏支架多样性，且存在数据泄露问题，其他如 ANI-1、NablaDFT 和 MPCONF196 等数据集也有类似缺陷，这严重阻碍了可靠分子模型的构建。
同时，密度泛函理论（DFT）计算虽能精确估算分子性质，但其高昂的计算成本，尤其是在大规模数据集面前，令人望而却步。而 ML 技术性能又高度依赖训练数据质量。在这样的背景下，来自 Deep Origin（位于亚美尼亚埃里温和美国南旧金山）的研究人员决心开辟新路径，开展了一项旨在解决药物发现中数据难题的研究。他们构建了智能分布式数据工厂（SDDF）平台，结合主动学习、分布式计算和量子化学，为开发精确分子模型提供了可扩展且经济高效的解决方案，该研究成果发表在《Scientific Reports》上。
研究人员在这项研究中主要运用了以下关键技术方法：一是采用志愿者计算模式，利用全球个人电脑的处理能力加速 DFT 计算；二是构建基于主动学习的框架，通过集成多种 ML 模型预测分子性质，挑选最具挑战性的数据点进行 DFT 计算，并生成新的分子构象；三是精心创建并发布了包含 217 万个分子构象及其 DFT 计算能量标签的数据集，为后续研究提供了重要资源。
下面来看具体的研究结果：
- SDDF 平台搭建与性能评估：SDDF 平台提供网站供志愿者注册参与，接收分子构象进行 DFT 计算。其基于文件的消息代理确保了高可靠性和系统正常运行时间，能每秒处理数千条消息且延迟极小。志愿者机器默认使用约 50% 的计算资源，每个任务在约三个线程上运行。对于目标属性和中等大小分子（约 25 个重原子），单核心（2.4GHZ）机器约 10 分钟可完成一次计算任务。
- 基于主动学习的数据采样策略：SDDF 运用主动学习框架选择分子进行标记并添加到数据集中。该框架从大型数据库中随机采样分子，生成多个构象，通过集成 ML 模型挑选出最具挑战性的构象，用 DFT 计算其目标属性，并将新标记数据用于重新训练 ML 集成模型。研究对比了多种数据采样策略，发现基于集成模型的采样比随机选择更有效，其中基于损失预测的采样方法能使模型性能提升最快，且集成模型中多样化的架构至关重要。
- 分子动力学（MD）辅助数据采样：研究人员还利用集成模型中表现最佳的模型进行 Langevin MD，生成新的构象用于标记。实验表明，添加通过 MD 采样生成的训练示例，比添加相同数量的随机采样训练示例，对集成模型引导分子达到更低能量构象的能力有更积极的影响。
- 构象能量数据集与模型性能：研究创建并发布了新的构象能量数据集，包含 2170553 个构象，还提供了用于训练和基准测试能量预测 ML 模型的子集。使用 SDDF 训练集和验证集训练的构象能量预测模型，在 RMSE 和 MAE 指标上优于 ANI-2x 集成模型，且 SDDF 模型在不同大小分子上的 MAE 表现更稳定。
研究结论与讨论部分指出，SDDF 通过聚焦高误差估计实例，有效识别出预测误差高的分子构象，为 DFT 计算优先选择这些实例，从而提高了数据集质量，有助于开发更精确可靠的分子性质预测模型。该平台生成的数据集在多个领域应用广泛，如开发分子性质预测器、训练和评估构象生成方法等。然而，SDDF 也面临一些挑战，如志愿者计算平台的可扩展性依赖参与者，任务分配算法有待优化，平台目前计算项目有限，ML 模型和主动学习策略也需进一步改进，分子数据库的多样性也需要增强。尽管如此，SDDF 仍展现出巨大潜力，为药物研发及相关领域的计算化学研究开辟了新方向，有望推动基于结构的分子研究取得重大进展。
