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。
研究团队表示，目前已有靶向 PARP1 的药物获批上市，这为研究提供了很好的参照标准，FSP1 是一个更具挑战性的新靶点，因为其结合位点存在额外的辅因子，令人振奋的是，AdaptiveFlow 在这一复杂情况下同样有效。
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。通过普及超大规模分子库的获取途径，可实现更快、更具影响力的治疗药物开发。
研究团队进一步表示，整个 AdaptiveFlow 平台均为开源，并提供了分步指导和教程，任何人都可以免费使用，希望让超大规模虚拟筛选尽可能易于获取，从而为更具挑战性的靶蛋白设计出更优的分子，真正提升临床成功率。
AdaptiveFlow 可在 https://adaptive-flow.ai/ 和 https://github.com/QuantumAI4Bio 下载。
论文链接：
https://www.nature.com/articles/s41587-026-03217-x
热门跟贴