晶泰科技联合发布 AI 原生的分子对接框架 TRIDS：让药物虚拟筛选更快、更准，也更“懂物理”

药物发现要解决的最根本的问题：选择什么样的药物作为 “钥匙” 才能打开治疗疾病的 “大门”？蛋白像疾病 “大门” 上复杂的 “锁”，而小分子化合物像一把会弯、会转、会变形的 “钥匙”。分子对接（Molecular docking）要做的就是在化合物的无数种可能构象里，找到与靶蛋白结合的最接近真实有效的状态，从而筛选出最好候选药物分子。

近日，晶泰科技与北京大学高毅勤教授合作，联合深圳湾实验室、西湖大学、昌平实验室共同发布 AI 原生的分子对接框架 TRIDS，通过高效、精准输出符合物理真实性的分子结合构象，来加速药物高通量虚拟筛选，助力科研人员简化筛选流程、提升研发效率。TRIDS 从算法逻辑、系统架构到工程算力进行了系统性重构，试图同时解决传统分子对接与 AI 分子对接中的核心痛点：兼顾预测准确与符合物理规则；既要有先进的理论模型，也要在工业场景中可落地应用。

图1：TRIDS 打分函数框架图

AI赋能分子对接打造新范式

TRIDS 搭载可微分的混合密度网络（MDN）打分模块，打破行业 “先构象生成、后打分修正” 的传统模式。在分子探索结合模式的过程中，不仅能判断当前构象好不好，还能给出改进方向，告诉分子 “往哪里移动、怎么旋转、怎么调整会更好”，持续牵引它向更合理的结合姿势靠近。此外，TRIDS 采用 AI 打分与物理规则组合的策略，AI 模型从大量真实蛋白-配体复合物中学习相互作用模式，物理规则限定分子合理性（包括长程相互作用、原子碰撞惩罚、氢键修正等）。TRIDS 进一步把构象采样和打分统一进了同一个框架，使用 “蒙特卡洛+梯度下降” 的策略：“蒙特卡洛”负责大胆探索，让分子跳出局部最优；“梯度下降” 负责精细调整，让分子沿着更优方向收敛；AI 打分和物理规则共同提供优化信号。

图2：TRIDS 构象采样流程图

快、省、稳：为高通量而生

真实药物发现中的虚拟筛选，面对的往往不是数十个分子可以专家逐个校验，而是从数万到数千万甚至更大规模的化合物库。这要求分子对接工具不仅要算得准，还要跑得快、成本低、结果稳定，并且足够易用。

TRIDS 底层基于目前最主流的 AI 框架 PyTorch C++ 来实现，能更加方便地与不同种类的 AI 模型整合。叠加 CUDA 多流并行、CUDA 图算融合和自定义 CUDA 核函数等优化，让大量构象可以在 GPU 上并行处理。模型摆脱传统对接工具耗时久、AI 模型显存占用庞大的问题。单任务计算仅需百毫秒级完成，且仅占用数百兆显存，普通 GPU 即可支撑大规模化合物库批量筛选。对于药企千万级虚拟筛选管线，TRIDS 可在极低算力成本下稳定输出大批量、可复用的对接构象，真正满足工业化高通量、高吞吐的研发需求。

图3：TRIDS 运行速度与 GPU 内存开销

灵活交互，轻松上手

TRIDS 打通三大使用入口：CLI 模式、Python API、PyMOL 可视化插件，覆盖用户的不同研发需求与使用场景。

CLI 模式适合服务器批量调度、大规模虚拟筛选，高效完成高吞吐算力任务；Python API 可快速接入自研自动化管线，支持自定义迭代与二次开发；PyMOL 可视化插件支持点击交互完成口袋预测、对接打分、构象分析，无需跨软件切换，让结构机理研究更直观。

图4：PyMOL 窗口下使用 TRIDS 插件,

包含 CLI 与 GUI 模式

同时，基于 OpenBabel 成熟解析能力，TRIDS 全面兼容 pdb、pdbqt、sdf、mol2、SMILES 等药物研发主流分子格式，解析成功率达 100%。相比多款主流分子对接工具，TRIDS 可直接读取原始分子文件，无需格式转换、无需人工预处理，从源头规避数据偏差与丢失问题，大幅降低批量筛选的运维成本，适配各类化合物库规模化筛选需求。这为以后更便捷地接入基于 “大模型” 的 AI 智能体打下了坚实的基础。 

干湿实验双验证

TRIDS 在多个公开数据集上进行了系统评估，结果显示 AI 赋能的分子对接可以同时追求准确性和物理合理性。

在 PoseBusters 数据集上的重对接任务中，成功率 77.3%，PB_Valid 比例 75.9%。符合物理的比例大幅高于其它 AI 分对接工具。并且表现出更好的泛化能力，在与训练集非同源的蛋白和较大的配体（>500 Da）上的表现依旧稳定。

图5：TRIDS 在 PoseBusters 上的对接性能表现

在 PDBbind Time-split 对接测试中，TRIDS 的成功率达到 66.94%，RMSD 的中位数为 1.23 Å，而且通过 PB-Valid 验证的比例达到 57.83%。在针对虚拟筛选任务的 DEKOIS 2.0 数据集上，TRIDS 取得 ROC-AUC = 0.815，EF0.5% = 21.30、EF1% = 19.43 的最优表现。

图6：TRIDS 在 PDBbind Time-split 上的

对接性能和 DEKOIS 2.0 上的虚拟筛选性能的表现

TRIDS 也已经进入真实药物发现流程。研究团队以 TNFα 为靶点开展虚拟筛选，从约 20,000 个虚拟小分子中筛选，经打分、聚类和性质过滤后选择 50 个化合物进行实验验证，最终获得 3 个具有结合信号的 hit 分子，其中两个具有区别于已报道 TNFα 抑制剂的新颖分子骨架。这体现了 TRIDS 可以帮研究团队更快缩小搜索空间，把更值得验证的分子推到实验台前。

图7：TRIDS以TNFα 为靶点虚拟筛选得到的 hit 分子

在晶泰科技，我们长期关注 AI、量子物理、高性能计算与自动化实验在药物发现中的融合。TRIDS 是这一方向上的又一次探索：把深度学习模型、可微分优化、物理约束和高通量筛选流程在 AI 框架下统一起来，让分子对接更接近真实研发需求。未来，我们也将继续推动 TRIDS 在更多靶点类型、更多分子体系和更多药物发现任务中的应用，让搜索更快更可靠。