清华等团队用AI驱动药物筛选，一天内十万亿次扫描超高速虚拟平台|活性|清华|虚拟平台|蛋白|靶点

作者丨论文团队

编辑丨ScienceAI

人类基因组编码约有 20000 种蛋白质，其中 90% 与疾病密切相关，却长期处于 “无药可靶” 状态。关键生物机制隐藏在庞杂而碎片化的数据中，但即便拥有高通量实验和海量分子数据，研究者仍然需要依赖经验，在无数可能性中逐一试探。

清华大学智能产业研究院（AIR）- 北京智源人工智能研究院“健康计算联合研究中心” 兰艳艳教授课题组带来了新的成果。他们研发的 AI 驱动的超高通量药物虚拟筛选平台 DrugCLIP，能以千万倍的对接速度实现精准的虚拟筛查。

相关研究内容以「Deep contrastive learning enables genome-wide virtual screening」为题，于2026 年 1 月 9 日发布在《Science》。

论文链接：https://www.science.org/doi/10.1126/science.ads9530

范式重构：从“物理模拟”到“跨模态向量检索”的技术跃升

传统药物筛选长期受困于“不可能三角”：精度、通量与化学空间规模。传统的分子对接高度依赖原子级的物理受力模拟，面对万亿级分子库时，庞大的计算代价让全基因组筛选成了不可能完成的任务。

图示：化学空间与化合物库。

DrugCLIP 的核心创新在于创造性地构建了蛋白质口袋与小分子的“向量化结合空间”。它不再执着于模拟分子如何“卡入”蛋白的动态过程，而是利用深度对比学习技术，将复杂的生物相互作用重构为计算机领域极度成熟的向量检索问题。

在这种硬核架构下，团队展现了极具前瞻性的 AI 逻辑：

自监督结构预训练：团队创造性地从海量蛋白数据中切取片段模拟“假配体”，构造了多达 550 万组训练样本。这种策略让 AI 在接触真实药物前，就已深刻领悟了蛋白表面的结构特征，赋予了模型极强的 Zero-shot泛化能力。
多尺度表征对齐：团队通过训练两个深度神经网络编码器，将蛋白口袋的 3D 拓扑结构与小分子的化学表征映射到同一个高维共嵌入空间（Joint Embedding Space）。

图示：DrugCLIP 的框架。

这种算法级的范式转换，直接将单节点（128 核 CPU + 8 张 GPU）的日打分能力推向了 10 万亿次（10 的 13 次方）的巅峰。相较于传统工具，筛选效率提升了 100 万倍。

从预测到验证：攻克“暗靶点”与 AlphaFold 结构的无缝对接

DrugCLIP 的价值不仅在于算力的飞跃，更在于其对全新靶点的硬核筛选能力。针对此前既无实验结构、也无已知抑制剂的“暗靶点”——人源 E3 泛素连接酶 TRIP12（与癌症和帕金森相关），DrugCLIP 直接基于 AlphaFold2 预测的蛋白结构进行盲筛，成功命中多个活性抑制剂。

图示：借助 GenPack 将 DrugCLIP 应用于 AlphaFold 预测结构。

在临床靶点 NET（去甲肾上腺素转运体）的实验中，DrugCLIP 筛选出的候选分子中有 15% 证实有效，且部分分子的活性直接超越了现有的一线临床药物。相关复合物结构已通过冷冻电镜解析，进一步验证了其生物学可信度。

图示：DrugCLIP 的计算机模拟基准测试结果及针对 NET 的湿实验验证。

赋能万众创新：开启基因组级药物发现生态

为了践行赋能科研社区、重塑药物研发现状的愿景，研究团队利用 DrugCLIP 完成了人类历史上首次全基因组规模的虚拟筛选：覆盖约 1 万个蛋白靶点、2 万个结合口袋，对超过 5 亿个小分子进行全量对齐，产出 200 万个高潜力靶点分子对，并据此构建了目前全球规模最大的蛋白-配体筛选数据库 GenomeScreenDB。