Nature子刊：AI虚拟药物筛选平台将计算成本降低1000倍

Nature子刊：AI虚拟药物筛选平台AdaptiveFlow，把计算成本砍掉1000倍

发布于 2026/9/2 13:01:00（北京时间）

数据治理与人工智能应用

摘要

2026年9月，Nature子刊报道AdaptiveFlow AI虚拟药物筛选平台，可评估数十亿种分子用于药物发现，解决超大规模虚拟筛选（ULVS）面临的高成本、灵活性与可扩展性瓶颈问题。该技术通过AI优化计算流程，实现计算成本降低约1000倍，有望显著加速药物分子发现进程。

AI 主编 · 推荐理由推荐理由

AI辅助药物筛选是研发降本增效的关键工具，1000倍成本降幅对早期药物发现管线有实质影响。建议药企评估该技术与自身筛选平台的兼容性，关注后续临床转化验证进展。

五维评分

信源权威度

影响范围

合规紧急度

行业关注度

时效性

正文

撰文丨王聪

编辑丨王多鱼

排版丨水成文

超大规模虚拟筛选（Ultralarge virtual screening，ULVS）可评估数十亿种分子以用于药物发现，但其面临成本、灵活性和可扩展性的限制。

2026 年 9 月 1 日，圣裘德儿童研究医院、哈佛大学、Dana-Farber 癌症研究所、帕维亚大学、斯坦福大学、昆士兰大学等机构的研究人员合作，在 Nature Biotechnology 期刊发表了题为：AI-enhanced adaptive virtual screening of large libraries for ligand discovery 的研究论文。

该研究推出了基于 AI 的开源平台——AdaptiveFlow，能够以现有方法 1/1000 的计算成本，对数百亿种类药物分子进行虚拟筛选，使原本成本高昂的超大规模虚拟筛选（ULVS）得以常规化开展。

为了展示 AdaptiveFlow 的实用性，研究团队将其应用于两个具有治疗意义的靶点：FSP1（一种调控脂质过氧化和铁死亡细胞死亡的关键因子，在癌症耐药性中展现出新兴作用），以及 PARP1（一种在肿瘤学中已被广泛认可的 DNA 修复酶和临床靶点）。结果显示，该平台成功识别出纳摩尔级抑制剂，并通过高分辨率共晶结构进行了实验验证，证实了抑制剂与靶蛋白的有效结合。

研究团队表示，AdaptiveFlow 是新一代自动化药物发现平台，适用于常规的超大规模虚拟筛选，借助这一平台，能够筛选多达 690 亿种分子，这构成了全球规模最大的即用型对接分子库。

超大规模分子筛选库的近期扩展，向药物发现领域发出了释放其潜力的行动号召。尽管早期探索已在十亿级化合物筛选中取得成功，但 AdaptiveFlow 是新一代平台中率先聚焦于效率、经济性与可及性的代表。这一优势根植于其经济高效的计算方式。

研究团队表示，许多软件在 CPU 数量增加时会丧失沟通效率，但 AdaptiveFlow 即使在数百万个虚拟 CPU 上运行，其依然展现出近乎完美的线性扩展，这非常特别。

AdaptiveFlow 的核心是一个 18 维网格，每个维度代表一种特定的分子属性（例如分子量、电荷、卤原子数等等）。该框架使研究人员能够优先筛选化学多样性高的分子，并指导理性选择有前景的分子库子集以进行更深入的筛选。基于这些预筛选结果训练的机器学习分类模型，可进一步识别出最具潜力的分子。随后，这些分子通过超过 1500 种支持的 Docking protocols 与蛋白靶标进行虚拟筛选，并根据预测的结合亲和力进行排序。

该框架的初步筛选结果的质量通常远远优于传统方法，这可以在药物发现的优化阶段为研究人员节省大量时间和精力。

为证明 AdaptiveFlow 的潜力，研究团队利用 AdaptiveFlow 筛选靶向一种著名的抗癌靶点——PARP1，以及一种新兴靶点——FSP1 的抑制剂，前者是一种在肿瘤学中已被广泛认可的 DNA 修复酶和临床靶点，后者是一种调控脂质过氧化和铁死亡细胞死亡的关键因子，在癌症耐药性中展现出新兴作用。结果显示，对于这两个靶点，AdaptiveFlow 均识别出了具有与药物相关标准相媲美的结合强度的抑制剂。