高通量分子筛选：从算力并行到结果聚合的工程化路径

高通量分子筛选把”候选药物分子筛选”的层级思路放大到材料、催化剂、吸附剂领域，难点从”算法准不准”变成”工程能不能跑得动”。当候选集从几百升到几十万，单靠手动对接不现实，必须工程化。我做过一个CO2吸附剂的高通量筛选，从2万个小分子库里找出高选择性吸附剂，靠的是任务切分和并行聚合两招。

任务切分决定能不能跑完

高通量筛选第一步是把大问题拆成可并行的独立子任务。每个小分子的对接/DFT是独立的，天然适合切分。我用脚本把2万分子库按500一组切成40个任务包，丢到集群排队。关键在”任务粒度”——太细（1个分子一任务）调度开销吃掉算力，太粗（5000一包）单任务失败重跑成本高。500一组是我反复试出的甜点。

任务切分之外，容错设计决定工程能否收尾。2万次对接里总有百分之几因输入异常（原子价态错、3D生成失败）挂掉，若不处理，整包结果缺一块。我的脚本对每个任务包做三件事：跑前校验输入完整性、跑中超时kill（单分子超30分钟即判死）、跑后回收成功结果并自动补齐失败项。曾有一个项目没加容错，200个任务里有11个静默失败，聚合时漏了11个高分分子，差点把真命中埋了。容错不是锦上添花，是大数据筛选的底线。

切分还要考虑输入文件标准化。每个分子的SMILES转3D结构（RDKit）、加电荷（AM1-BCC）、生成mol2，这套预处理必须全自动化，否则2万个分子手动处理不现实。我写了流水线：SMILES进→3D构象→力场拓扑→对接输入，全程无人值守。

3D构象生成这一步的坑比想象多。RDKit的ETKDG虽快，但对含大环、稠环或手性中心的分子，默认生成的构象可能偏离低能构象，对接打分被构象质量带偏。我对手性分子显式指定手性、对柔性长链做多构象池（每个分子生成10个构象取最低能进对接）。一个吸附剂项目里，某柔性二醇分子默认单构象对接打分排中游，补了多构象池后它的低能构象暴露出更强结合，名次跳到前30。构象覆盖不足，是虚拟筛选假阴性的头号来源。

批量对接与打分聚合

对接层用快速方法（Vina或Glide HTVS）批量跑全库，输出每个分子的打分和top构象。2万次对接在100核集群上约一天跑完——这就是高通量的意义：用廉价方法换时间，广撒网。

聚合层是核心。我把所有结果按打分排序，但不用单纯打分截断，而是叠加多维过滤：结合能阈值+关键相互作用（是否形成目标氢键/配位）+类药性。一个CO2吸附剂项目里，单纯按打分取前200，MD精炼后只剩12个真稳；但加上”必须与两个金属位点配位”的硬约束后，前200里直接命中9个。约束比打分更懂化学。关于高通量分子筛选的聚合策略，我也会参考高通量分子筛选里对活性 cliffs 的处理。

活性 cliffs 与离群点不能漏

高通量筛选最容易丢掉的是”活性悬崖”（activity cliffs）——结构只差一个基团，活性差十倍。纯按打分排序会被平均掉。我的做法：对top候选做聚类（基于分子指纹Tanimoto），每个簇取代表，同时保留簇内与代表差异大的离群点。一个项目里，某个氯代衍生物比母体活性高8倍，但打分只排中游，靠聚类离群点才没漏掉。

另一类是DFT精修层。对接层选出的top 500进DFT算精确结合能（VASP或Gaussian），这层慢但准，只跑500个可控。DFT结果回灌排序，得到”对接快筛+DFT精修”两段式最终榜。

DFT精修层我分两条技术路线：有机小分子和吸附剂用Gaussian的B3LYP-D3/6-31G(d)算单点能和自然键轨道，材料/表界面用VASP算周期性吸附能。两条路输出单位不同（kcal/mol vs eV），聚合前必须统一换算并标注方法来源，否则排序表混了单位客户会误读。还有，DFT精修只跑top 500意味着底层几十万分子仍只有对接分——我会在最终榜明确标注”对接快筛区”与”DFT精修区”，让客户知道哪些数字是定性、哪些定量，避免把对接分当精确结合能引用。

结果可视化与决策支持

2万分子的结果不能丢给客户一张大表。我做三类图：① 打分分布直方图，看筛选窗口；② 关键描述符（分子量、LogP、结合能）的散点矩阵，找结构-活性趋势；③ 命中分子的子结构富集分析，提示哪类骨架值得合成。

客户最想看的是”我该先合成哪5个”。我的交付是把top候选按”计算结合强度+合成可行性+专利空白”三维排序，给出优先级清单，而非2万行的原始数据。

交付的优先级清单我还加一列”合成难度评分”：基于分子复杂度、已知合成路线数、商用可得性给1–5分。一个CO2吸附剂项目里，计算结合最强的是个多稠环分子，但合成难度5分、文献零路线，我把它排到次优先；反而是结合第二强、合成难度2分的分子被客户先做了，三个月就出实验数据、验证了选择性趋势。筛选的价值终要落到”能合成、能验证”，纯算最强的分子若造不出来，对客户的帮助是零。

回过头看，高通量的边界

回过头看，高通量分子筛选的价值不在”算得多”，在”工程化地把多变成可用”。任务切分、标准化预处理、多维聚合、离群保护，四道工序缺一不可。纯堆算力不加聚合策略，结果是2万条不可读的打分。

可复用要点：任务粒度~500/包、预处理全自动化、对接快筛+DFT精修两段、聚类保离群点。这条链路在吸附剂、催化剂、小分子库三类筛选都稳。它的边界在需要显式溶剂或柔性的体系——那时快速对接的刚性近似误差放大，高通量必须降速加MD精炼，否则筛选出的”命中”大量假阳性。这条高通量分子筛选的工程化思路，核心价值在”聚合”而非”算力”。

高通量的工程化还有一层：结果的可复现打包。每个分子的结果我连同输入文件、参数、版本号一起归档，客户半年后想复算某个分子，一键就能重跑。曾有客户质疑某个命中分子，我调出归档包当场复算，数字一致，信任立刻建立。大数据筛选的信用，藏在”随时能复现”里。

高通量分子筛选，我给团队定的口号是”聚合重于算力”。数万次计算不难，难的是把数万次变成可读、可用、可决策的结论。任务切分、自动预处理、多维聚合、离群保护，这四道工序做到位，算力才没白花。