编辑推荐：
在药物研发中，虚拟筛选至关重要，其关键在于分子对接和打分。研究人员针对 X - SCORE 和 DrugScore 这两个打分函数开展优化与近似技术研究。结果显示能提升筛选效率，在超大规模虚拟筛选中平衡精度与通量意义重大。
在药物研发的漫长旅程中，寻找具有治疗效果的分子犹如大海捞针。药物发现所涉及的化学空间极为庞大，据估计包含 1033 个分子 ，但真正能成为有效药物的却寥寥无几。传统的药物筛选方式犹如在黑暗中摸索，成功概率极低。而虚拟筛选（Virtual Screening）作为药物发现的重要前期步骤，旨在通过计算机模拟来评估分子的潜力，就像是给科研人员提供了一个 “导航仪”，帮助他们在庞大的分子库中找到最有希望的 “宝藏”。
然而，虚拟筛选也面临着诸多挑战。其中，分子对接（Molecular Docking）和打分（Scoring）是两个关键问题。在虚拟筛选过程中，需要计算分子与蛋白质之间的相互作用强度，而这一过程不仅要考虑准确性，还要考虑计算时间。目前，大多数研究在比较打分函数时，往往只关注其准确性，却忽视了执行时间。在超大规模虚拟筛选中，如果不能有效降低单个分子的计算时间，即使利用大规模计算设施，也难以在可行时间内完成筛选。这就好比在一场限时比赛中，速度和准确性同样重要，缺一不可。
为了解决这些问题，研究人员开展了针对打分函数的优化和近似技术研究。他们对 X - SCORE 和 DrugScore 这两个知名打分函数进行了深入探究，这两个打分函数分别代表了经验和基于知识的打分方法。研究人员希望通过优化，在保证一定筛选准确性的同时，提高筛选通量，找到两者之间的最佳平衡。
研究人员采用了多种技术方法。在优化 X - SCORE 时，运用了量化（Quantization）和记忆化（Memoization）技术。量化通过对蛋白质进行体素表示来离散连续空间，近似原子位置；记忆化则用于预计算打分函数项的值，减少运行时计算量。对于 DrugScore，研究人员将其原始的出现值模型转换为潜在值模型进行预计算，还引入了 XGBoost 算法来提高预测准确性。此外，研究人员将优化后的算法移植到 CUDA 平台，利用 GPU 的强大计算能力加速计算。
研究结果如下：
- X - SCORE 优化效果：通过量化和记忆化技术对 X - SCORE 进行优化。量化实验中，研究不同网格间距和半径范围对 X - SCORE 值的相对误差影响，发现较小的网格间距和更多的半径范围能降低误差，但会增加计算和存储成本，最终确定 0.5 ? 的网格间距和 5 个半径范围为最佳折衷。记忆化实验表明，优化后的 X - SCORE 性能略低于原始版本，但其富集因子仍与原始版本相当。在速度方面，优化后的 X - SCORE 在 CPU 和 GPU 上都实现了显著加速，CUDA 版本平均加速比达到 3433 倍 。
- DrugScore 优化效果：DrugScore 通过预计算潜在值，显著提高了计算效率，加速比达到 2.7 倍 。引入 XGBoost 后，DrugScore 的预测准确性大幅提升，富集因子从 2.61 提高到 4.81 。同时，将 DrugScore 移植到 CUDA 平台后，速度提升约 34 倍 。
- 大规模模拟影响：在大规模虚拟筛选模拟实验中，研究人员发现 X - SCORE 的近似版本虽然精度略有下降，但由于通量大幅提高，在有限时间预算下，其富集因子反而有所提升；DrugScore 的 XGBoost 增强版本虽然在通量上有小幅度的牺牲，但准确性的提高使其在大规模筛选中更具优势。这表明在大规模虚拟筛选中，平衡通量和准确性对提高整体性能至关重要。
研究结论和讨论部分指出，虚拟筛选的关键在于区分活性和非活性配体的能力，而执行时间在超大规模虚拟筛选中同样关键。研究人员提出的优化和近似技术，在提高工具性能的同时，仅带来了筛选能力的轻微下降。这些技术与 GPU 兼容，在 CUDA 平台上运行效果良好。对于 X - SCORE，能实现一个数量级的加速，筛选能力损失约 10%；DrugScore 的 CPU 版本性能几乎提升两倍。此外，研究还发现可以利用节省的时间引入机器学习步骤（如 XGBoost）来提高准确性，且实验结果表明这一做法能显著提升精度。该研究为超大规模虚拟筛选提供了重要的方法和思路，其方法可扩展到其他经验和基于知识的打分函数，在药物研发领域具有重要的应用价值。研究成果发表在《Future Generation Computer Systems》上，为相关领域的研究提供了新的方向和参考。
