深度学习助力ZINC15数据库：Deep Docking技术的革命性突破

引言

在药物发现领域，虚拟筛选是识别潜在药物候选分子的重要手段。然而，传统的虚拟筛选方法面临资源和时间的瓶颈。随着深度学习技术的快速发展，Deep Docking (DD)平台应运而生，为大规模虚拟筛选带来了革命性的突破。本文将详细介绍DD技术在ZINC15数据库中的应用及其显著优势。

Deep Docking技术概述

Deep Docking (DD)是一种基于深度学习的药物发现平台，通过深度定量构效关系模型提高虚拟对接的速度与准确性。DD平台的核心在于迭代训练深度神经网络，逐步丢弃预测对接分数较低的分子，从而将需要对接的分子数量减少到总数的1%。这一技术显著降低了计算成本，使得在合理时间内对上十亿规模的大规模虚拟筛选成为可能。

ZINC15数据库的应用

ZINC15数据库是一个包含约13.6亿个分子的庞大化学库，是药物发现研究的重要资源。结合FRED对接程序，DD平台成功对ZINC15数据库中的13.6亿个分子进行了快速对接评分计算。具体应用如下：

1. 初始训练、验证和测试集：DD平台的初始训练、验证和测试集各包含100万个分子，这些分子从ZINC15数据库中随机抽取并进行对接评分。根据评分结果，分子被分为虚拟命中类和非命中类。
2. 迭代训练：从第二次迭代开始，训练集扩展为前一次迭代预测的命中分子，验证和测试集保持不变。通过逐步降低评分阈值，DD平台能够筛选出更具潜力的化合物。
3. 活性配体的保留：DD平台在处理超大型对接数据库时，表现出对高对接评分分子的明显偏好。例如，在AR和ERα体系中，所有高评分的活性配体均被保留。

技术优势

DD平台在ZINC15数据库中的应用展示了其显著的技术优势：

• 计算效率：DD平台仅需不到400个CPU和40个GPU，即可在一周内完成对ZINC15数据库的筛选，大大缩短了虚拟筛选的时间。
• 筛选准确性：通过迭代训练和逐步降低评分阈值，DD平台能够筛选出最具潜力的化合物，提高了虚拟筛选的准确性。
• 开放性：DD平台已对外开放，支持基于结构的药物设计，为药物发现研究人员提供了便捷的工具。

未来展望

尽管DD平台在ZINC15数据库中的应用取得了显著成果，但仍有一些挑战需要克服。例如，如何进一步优化深度学习模型以提高筛选效率，以及如何整合更多异构数据源以提升预测性能。未来，随着深度学习技术的不断进步，DD平台有望在药物发现领域发挥更大的作用。

结论

Deep Docking技术通过深度学习模型显著提高了虚拟筛选的速度与准确性，为ZINC15数据库的大规模筛选提供了高效解决方案。这一技术的成功应用不仅加速了药物发现进程，也为基于结构的药物设计提供了新的可能性。未来，随着技术的不断优化，DD平台有望在药物发现领域取得更多突破。