《自然·生物技术》：人工智能驱动的AdaptiveFlow重新定义了药物发现领域的大规模云计算

了解一下名为 AdaptiveFlow 的机器学习药物发现平台如何利用超大规模虚拟筛选来指导更深入的探索，并指导合理的药物选择。

　　

研究人员今日宣布推出AdaptiveFlow，这是一个基于人工智能的平台，能够以比现有方法低1000倍的计算成本，对数十亿个类药分子进行虚拟筛选。AdaptiveFlow由圣裘德儿童研究医院、帕维亚大学、丹娜-法伯癌症研究所和哈佛医学院的科学家共同开发和验证，使得以往成本高昂的超大规模虚拟药物筛选得以常规化。该开源平台已于今日发表在《自然·生物技术》杂志上。 

该平台的框架展现出高达 560 万个虚拟中央处理器 (CPU) 的线性扩展能力——这为基于云的药物发现树立了新的标杆——使得数十亿个分子能够在不损失效率的情况下进行筛选。作为概念验证，该团队针对现有和新兴癌症靶点，筛选出了目前已知抑制剂极少的强效抑制剂。 

“AdaptiveFlow是新一代自动化药物发现平台，可用于常规的超大规模虚拟筛选，”共同通讯作者、圣裘德儿童研究医院结构生物学系数据驱动发现卓越中心Christoph Gorgulla博士表示。“借助该平台，我们能够筛选690亿个分子，这是世界上最大的可直接对接分子库。” 

多维网格可进行数十亿分子筛选。 

超大分子筛选库的近期扩张，促使药物研发领域亟需释放其潜力。尽管早期的尝试已在数十亿化合物筛选中取得成功，但AdaptiveFlow作为新一代筛选库的先驱，专注于效率、经济性和可及性。这源于其经济高效的计算方法。 

“很多软件会随着 CPU 数量的增加而降低通信效率，”Gorgulla 解释说，“但 AdaptiveFlow 的扩展性是完全线性的，即使拥有数百万个 CPU 也是如此。这很特别。” 

AdaptiveFlow 的核心是一个 18 维网格，其中每个维度代表一个特定的分子属性，例如分子量。该框架使研究人员能够优先筛选化学结构多样的分子，并指导合理选择有前景的化合物库子集进行更深入的筛选。基于这些预筛选结果训练的机器学习分类模型随后识别出最有希望的分子。这些分子随后会与蛋白质靶标进行虚拟筛选，筛选过程采用超过 1500 种支持的分子对接方案，并根据其预测的结合亲和力进行排序。 

“与传统方法相比，这些初步筛选出的化合物质量通常要好得多，这可以为研究人员在药物发现的优化阶段节省大量时间和精力。”

AdaptiveFlow 可识别难以捉摸靶点的强效抑制剂 

为了展示其潜力，研究团队利用 AdaptiveFlow 平台寻找针对两种靶点的抑制剂：一种是已知的抗癌靶点——聚（ADP-核糖）聚合酶 1 (PARP1)，另一种是新兴靶点——铁死亡抑制蛋白 1 (FSP1)。FSP1 参与细胞死亡，并且最近被发现与癌细胞存活相关。在这两种情况下，该平台均筛选出结合强度与药用标准相当的抑制剂。 

“目前市面上已有获批的PARP1药物，这为我们提供了一个很好的基准，但FSP1是一个更具挑战性的靶点，因为它的结合位点存在额外的辅助因子，”Gorgulla解释说。“我们想看看AdaptiveFlow在这种复杂的环境下是否也能发挥作用，很高兴看到它确实有效。” 

成功鉴定出FSP1抑制剂凸显了AdaptiveFlow作为现代药物发现强大工具的潜力。通过普及超大分子库的使用，可以加快治疗药物的研发速度，并提高治疗效果。 

“我们提供分步指南和教程，而且整个平台都是开源的，所以每个人都可以免费使用，”Gorgulla说。“我们希望尽可能地让超大规模虚拟筛选变得易于使用，从而能够筛选出针对更具挑战性靶蛋白的更优分子，真正帮助提高临床成功率。”