AutoDrug 发布日志

版本：v1.0 发布日期：2026-01-22 适用范围：临床前药物发现阶段的自动化虚拟筛选

使用详情：点击进入 (opens new window)

---

产品概述

AutoDrug 是面向临床前药物发现的自动化虚拟筛选引擎，旨在通过标准化工作流加速候选分子收敛，并支持可复现的结果交付。

针对药物筛选中常见的"候选空间庞大、筛选效率低下、流程难以复盘"等痛点，AutoDrug 将筛选链路标准化、模块化，有效减少多工具割裂与手工拼接带来的成本。

本次发布聚焦三大目标：

1. 提供标准化的自动化筛选链路
2. 支持可复现的结果交付
3. 便于交付复盘与合规管理

---

核心价值

AutoDrug 实现了 Sampler → Filter → Collector → Tester 的标准化链路，将粗筛、精修与迭代优化贯通为可执行流程。

引擎支持三类采样策略，可应对不同规模分子库的计算任务：

策略	说明
全量采样	适用于小规模库的完整遍历
随机采样	适用于快速试跑与基线评估
UCB 主动学习	"打分—精算—再训练"的闭环迭代，平衡探索与利用

本次发布提供基础结果包与日志交付，输出内容包括 final_hits.csv、final_full.csv、TopN 与推荐集合，并保留中间产物与过程日志，便于复盘与复现。

核心优势：

• 标准化工作流：降低筛选门槛，减少工具割裂与手工拼接成本
• 可复现交付：提升团队协作效率，便于复盘与合规管理
• 多策略采样：适配不同规模分子库，支持快速试跑与迭代收敛
• 模块化链路：便于复用与扩展，可快速适配同类靶点与相近疾病方向

---

使用须知

AutoDrug 聚焦临床前早期的 in-silico 筛选环节（规则过滤 → ML 快筛 → 结构精筛 → 排序推荐），筛选结果需配合实验验证与 ADMET/PK 评估完成 hit-to-lead。

---

技术架构与交付规范

标准链路

阶段	功能说明
Sampler	确定候选空间与采样策略，支持全量、随机与 UCB 主动学习
Filter	执行成药性与结构风险过滤，提前剔除明显不合格分子
Collector	多模型共识筛选，增强筛选稳定性与结果可靠性
Tester	高精度评估与精排，提升候选置信度

大规模筛选策略

推荐采用 UCB 主动学习策略，迭代流程如下：

冷启动采样 → SFCT 全流程（Filter → GraphDTA → Boltz-2）→ Chemprop 训练 → UCB 采样 → 重复迭代

其中 Chemprop 学习 Boltz-2 评分趋势并提供不确定性估计，UCB 以 μ + κ·σ 为打分机制，在探索与利用之间取得平衡。详见 UCB 用户手册 (opens new window)。

输入要求

数据类型	格式要求
靶点结构	PDB / FASTA / CIF / mmCIF
多序列比对（MSA）	A3M
化合物库	CSV（需包含 smiles 与 ligand_id 字段）

交付内容

文件	说明
final_hits.csv	最终候选集合
final_full.csv	全量结果与排序
TopN 与推荐集合	便于优先级决策
日志与中间产物	覆盖关键阶段输出，支持过程复盘与审计

可追溯性

• 任务状态管理：支持 SUBMITTED / RUNNING / COMPLETED / FAILED 等状态流转
• 过程记录：日志与参数记录可用于复盘与复现，便于跨团队协作与问题排查

结果解读

平台依据 ΔG 与 Kd 的映射关系提供直观解释，便于判断候选分子质量与实验优先级。

参考：10 nM ≈ −10.9 kcal/mol

---

应用场景

核心能力：针对指定靶点，从化合物库中筛选高亲和力候选分子，并输出优先级排序结果。

典型用例：

• 新靶点探索：面对新靶点，从公开或内部化合物库中快速发现潜在命中
• 已批准药物筛选：从 FDA 等已批准药物库中筛选候选，用于老药新用或流程验证
• 先导优化支持：对先导化合物的衍生库进行批量评估，辅助优化方向决策

扩展结合：

• 上游：与分子生成工具联用，对生成库进行快速评估与筛选
• 下游：筛选结果可对接 ADMET 预测、分子动力学或 FEP 进一步验证

---

验证案例

AutoDrug 已在多个靶点方向完成内部与合作验证，覆盖以下场景：

• EGFR T790M
• BCR-ABL（CML）
• HCAR1
• Hsp90α（P07900）
• MMP-13（P45452）

注意：不同靶点与数据集对模型与参数较为敏感，具体结果需结合实验验证解读。

案例详情

EGFR T790M 采用 SFCT-FLOW 工作流整合成药性过滤、GraphDTA 亲和力预测与 Boltz-2 精算，从 6,498 个分子中筛选出 58 个候选，成功回收奥希替尼（Osimertinib）。

BCR-ABL（CML） 从 1,615 个 FDA 批准药物中筛选出 6 个候选，包含伊马替尼。

HCAR1 采用 GraphDTA 初筛 + Boltz-2 精修 + Chemprop-UCB 主动学习策略，连续迭代三轮收敛至 Top-100 候选集合，验证了大规模筛选的收敛能力。

Hsp90α（P07900） 在 9,452 分子库中筛选出 134 个候选：

• 高活性比例由 1.5% 提升至 18.7%
• 富集因子 EF = 12.33
• 剔除 6,900 个无活性分子

MMP-13（P45452） 在高活性分子基线 10.6% 的条件下：

• 274 个候选的高活性比例提升至 64.2%
• 富集因子 EF = 6.06
• 剔除 7,500 个无活性分子

---

立即试用

👉 点击进入 AutoDrug 工作流 (opens new window)

📧 如有问题或合作需求，请联系：service@snquantum.com