药物筛选是现代药物开发流程中检验和获取具有特定生理活性化合物的一个步骤，其本质是对化合物进行药理活性实验的过程，通过规范化的实验手段从大量化合物或者新化合物中选择对某一特定作用靶点具有较高活性的化合物。随着组合化学和计算化学的发展，人们开始有能力在短时间内大规模合成和分离多种化合物，因而在现代新药开发流程中药物筛选逐渐成为发现先导化合物的主要途径之一。
而虚拟药物筛选则是药物筛选技术发展的一个重要方向。这种模式将药物筛选的过程在计算机上模拟，对化合物可能的活性作出预测，进而对比较有可能成为药物的化合物进行有针对性的实体筛选，从而有效地降低药物开发成本。
基于小分子结构的筛选又是虚拟药物筛选中一种常见的模式，通过对已知具有相同作用机理的化合物进行定量构效关系研究，绘制出药物的药效团模型，依照模型对化合物数据库进行搜索，这种筛选技术本质上是一种数据库搜索技术。事实上，得益于AI技术的不断发展，这种筛选技术得到了很大的发展。
一般来说，从数量庞大的化合物中筛选出可能与目标蛋白结合的分子，筛选规模越大，计算资源和成本也会随之大幅增加。而就在近日，美国圣裘德儿童研究医院、意大利帕维亚大学等机构研究人员开发出一种名为AdaptiveFlow的人工智能(AI)辅助平台，相较于现有方法，可将相关计算成本降至原来的1/1000，并实现最高560万个虚拟CPU的线性扩展。
据悉，该平台基于AI和高效云计算架构，研究人员首先将分子按照分子量等性质划分到一个18维网格中，从中优先选择具有不同化学特征的分子进行预筛选。随后利用机器学习模型分析预筛选结果，识别更有潜力的候选分子，再利用分子对接方法评估这些分子与目标蛋白的结合能力。目前，该平台已经支持1500种分子对接方案。
测试结果显示，借助该平台进行药物筛选，即使同时使用数百万个CPU，也不会因计算规模扩大而出现明显的通信效率下降。而在实际测试中，针对癌症相关靶点聚腺苷二磷酸核糖聚合酶1和铁死亡抑制蛋白1(FSP1)，平台均筛选出具有较强结合能力的抑制剂，其表现与具有药物开发意义的相关标准相当。
值得一提的是，AdaptiveFlow还是一个开源平台，科研人员可免费使用，有望作为新一代自动化药物发现平台，让超大规模虚拟筛选成为常规药物研发手段之一。目前相关的成果已经发表于《自然·生物技术》杂志，感兴趣的读者可以查阅学习。
