清华新年首篇Science！用AI一天完成万亿级药物配对，覆盖半数人类基因
2026 年清华大学第一篇 Science 论文花落清华大学智能科学讲席教授、智能产业研究院（AIR）院长张亚勤院士团队，该学院的兰艳艳教授团队和合作者研发出一款名为 DrugCLIP 的 AI 工具，能以前所未有的速度和准确率，为成千上万个人类蛋白质找到潜在的药物钥匙。
它只需使用 8 张顶级显卡，就能在不到 24 小时内完成超过 10 万亿次蛋白质与分子的匹配计算， 为将近一半的人类基因组找到了超过 200 万个潜在的候选药物分子。
这一研究首次完成了覆盖人类基因组规模的药物虚拟筛选，首次打通了从蛋白结构预测到药物发现的关键通道，可覆盖约 1 万个蛋白靶点、2 万个蛋白口袋，分析筛选了超过 5 亿个类药小分子，借此构建了已知最大规模的蛋白-配体筛选数据库，目前该数据库已免费面向全球科研社区开放 [1]。
图 | 兰艳艳（来源：https://air.tsinghua.edu.cn/info/1046/1200.htm） 论文共同一作清华大学智能产业研究院（AIR）博士后贾寅君告诉DeepTech：“一方面，我们聚焦于药物研发最早期的苗头化合物发现阶段， 把蛋白质结构预测的AI成功进一步推进到化合物层面 ，使研究能与化学家直接对话；另一方面，我们致力于以组学视角系统性探索药物靶点，突破传统单一靶点研发模式的局限，旨在通过对人类蛋白质组的全面筛选，为未来攻克更多疾病提供新起点。尽管目前距离实际药物应用仍有 ADME 优化、临床验证等诸多挑战，但本研究为AI驱动的大规模靶点探索奠定了基础。”
贾寅君（来源： 贾寅君 ）
将以文搜图原理用于 AI 寻药
研究中，他们并不是让 AI 去模拟分子挤进蛋白质口袋的复杂物理过程，而是借鉴了人们在日常生活中常用的以文字搜索图片的技术。当我们使用搜索引擎以文字搜索图片，寻找一张符合描述的照片时，背后的技术并不是比较像素，而是比较图片被转换成的一组数字特征也就是向量。对于语义相似的文字和图片来说，它们的特征向量在数学空间里的位置会非常接近。
（来源：https://www.science.org/doi/10.1126/science.ads9530） DrugCLIP 也是这么做的，研究人员训练了两个神经网络：
第一个神经网络起着分子编码器的作用，可以把任何一个小分子化合物，转换成为一组代表其特征的数字向量；
第二个神经网络起着口袋编码器的功能，可以把蛋白质上那个可以结合药物的凹陷区域也就是结合口袋，也转换成为一组数字向量。
训练的目标很简单： 让能够结合的蛋白质口袋和分子的向量变得非常相似，也就是在数字空间里靠得很近；让不能结合的向量差异变得很大也就是离得很远。
这样，当面对一个新的蛋白质的时候，DrugCLIP 只需要做这样一个步骤：把这个蛋白质口袋也变成一个向量，然后去已经预存好的分子向量库里，快速地计算余弦相似度，找出和它最像、也就是最可能结合的那些分子。这个过程非常快，因为本质上就是大量的向量点乘运算，非常适合使用 GPU 进行并行加速。
为了让 AI 在没有足够真实数据的情况下也能学好，他们想出了这样一个方法：使用蛋白质自己假装药物来训练。他们从已知的蛋白质结构数据库中，截取一小段氨基酸链比如 3-8 个氨基酸，把它当做伪配体，而它周围的区域则被当做伪口袋。
蛋白质内部氨基酸之间的相互作用，与蛋白质和药物分子之间的相互作用原理是相同的。通过使用这种方法，他们生成了 550 万个伪复合物数据来对 AI 进行预训练，从而让它掌握了识别结合模式的基本功。