亚利桑那州立大学曹志超华人团队发布 SweepANN 检索算法，在五亿类药分子库、两万六千余个蛋白口袋的万亿级匹配任务里，把原来 DrugCLIP 方案需要约 24 小时完成的全基因组规模虚拟筛选缩短到仅 61 秒，平均召回率 99.63%，是首次把万亿次药物虚拟筛选推进到分钟级。传统分子对接需要逐个模拟分子和蛋白口袋的相互作用，计算极慢；DrugCLIP 依靠对比学习，提前把蛋白口袋、小分子转化成向量，用相似度检索替代对接，把万亿筛选压缩到 24 小时；而 SweepANN 针对向量检索环节做优化，在 4 张 A100 GPU 上完成整套检索，大幅降低向量检索开销，方便科研人员反复更换靶点、快速试错。技术落地流程是先完成分子向量预编码入库，再输入蛋白口袋向量，执行大规模近似最近邻检索，批量输出每个口袋排名靠前的候选分子，后续再做对接、湿实验验证。整体来看，这项突破不是替代 DrugCLIP，而是在它的向量检索层做加速，极大降低基因组规模药物筛选的等待成本，对挖掘大量未被探索的疾病靶点、加速早期新药苗头分子发现有重要价值，但该算法只负责快速检索候选分子，不能直接等同于药物研发成功。
一、两代方案核心参数对比表
| 项目 | DrugCLIP（上一代） | SweepANN（本次新方案） |
|---|---|---|
| 硬件配置 | 8 张 A100 GPU | 4 张 A100 GPU |
| 筛选规模 | 5 亿分子、2 万 + 蛋白口袋 | 5 亿分子、26000 + 蛋白口袋 |
| 耗时 | 约 24 小时 | 61 秒 |
| 召回水平 | 基准水平 | 平均召回率 99.63% |
| 核心定位 | 对比学习向量编码框架 | 向量检索加速算法，可搭配 DrugCLIP 使用 |
二、SweepANN 技术要点清单
- 团队负责人：曹志超，本科清华，亚利桑那州立大学助理教授
- 核心思路：优化高维向量近似最近邻检索，针对药物筛选场景做索引与调度优化
- 输出结果：为每个蛋白口袋输出 Top50 万候选分子
- 优势：算力需求更低、查询速度极快，适合交互式靶点探索、批量靶点筛查
- 边界：只做向量相似度检索，不包含高精度分子对接、自由能计算、实验室验证
三、药物虚拟筛选的完整链路说明
- 预计算：小分子库提前计算 Embedding 向量，存入 GPU 索引库
- 编码：蛋白口袋结构输入模型，生成口袋向量
- 检索（SweepANN 负责）：快速匹配、召回候选分子
- 精筛：对检索出来的候选做分子对接、结合自由能计算，进一步压缩候选池
- 湿实验：体外细胞、蛋白结合实验，验证分子真实活性
四、技术价值与局限
- 价值：过去全基因组规模筛选一天才能出结果，研究者很难反复迭代；现在 61 秒出结果，靶点探索、口袋改造、批量靶点筛选的科研效率大幅提升，有助于挖掘 90% 尚未开发的潜在成药靶点
- 局限：高召回不代表分子一定有药效；检索是初筛环节，后续高精度计算和生物实验仍是新药研发的必经瓶颈；现阶段属于算法层面学术突破，距离工业界大规模部署还有工程适配工作
【相关 FAQ】
问题 1：华人团队把万亿次药物虚拟筛选压缩到 61 秒，是完全抛弃 DrugCLIP 吗？
回答 1：华人团队把万亿次药物虚拟筛选压缩到 61 秒，SweepANN 是向量检索加速模块，是在 DrugCLIP 的对比学习向量框架基础上做优化，并不是抛弃 DrugCLIP。
问题 2：61 秒完成万亿次药物虚拟筛选，是不是意味着很快就能产出新药？
回答 2：61 秒完成万亿次药物虚拟筛选只是早期初筛环节，只能快速找出潜在候选分子，后续还要经过对接精算、细胞实验、动物实验等漫长流程，不能直接产出新药。
问题 3：曹志超团队 SweepANN 实现 61 秒万亿筛选，需要多少 GPU 资源？
回答 3：曹志超团队 SweepANN 实现 61 秒万亿筛选，本次实验仅使用 4 张 A100 GPU，相比上一代 DrugCLIP 的 8 张 A100，硬件开销更低。
问题 4：药物虚拟筛选召回率 99.63% 是什么意思？
回答 4：药物虚拟筛选召回率 99.63% 代表在加速检索中，绝大多数真实高相似度候选分子都被成功捞出来，丢失优质候选分子的概率很低，保障初筛质量。
【参考资料】
[2026-11-08]（从 24 小时到 61 秒！华人团队首次将万亿次药物虚拟筛选推进分钟级）麻省理工科技评论
[2026-01-09]（Science 重磅！AI 助力药物虚拟筛选提速百万倍）清华大学智能产业研究院
[2026-11-08]（Deep contrastive learning enables genome-wide virtual screening）Science
[2026-11-08]（曹志超团队 SweepANN：万亿级药物筛选提速）DeepTech
【免责声明】
本文内容仅为学术论文、科技媒体公开科研进展整理，不构成医药投资、药物研发项目判断建议。SweepANN 属于计算初筛算法，不代表药物有效性，新药研发风险高，相关成果落地、商业化进度以团队后续论文和官方披露为准。
本文来自作者[槿野甜糕]投稿，不代表诚邦网立场，如若转载，请注明出处：https://www.cbpmc.com.cn/qyzx/202611/41.html
评论列表（4条）
我是诚邦网的签约作者“槿野甜糕”！
希望本篇文章《从 24 小时压缩至 61 秒，曹志超华人团队 SweepANN 把万亿级药物虚拟筛选推进分钟级》能对你有所帮助！
本站[诚邦网]内容主要涵盖：互联网行业的追踪与探索
本文概览：亚利桑那州立大学曹志超华人团队发布 SweepANN 检索算法，在五亿类药分子库、两万六千余个蛋白口袋的万亿级匹配任务里，把原来 DrugCLIP 方案需要约 24 小时完成的全基因组规模虚拟筛选缩短到仅 61 秒，平均召回率 99.63%，是首次把万亿次药物虚拟筛选推进到分钟级。传统分子对接需要逐个模拟分子和蛋白口袋的相互作用，计算极慢；DrugCLIP 依靠对比学习，提前把蛋白口袋、小分子转化成向量，用相似度检索替代对接，把万亿筛选压缩到 24 小时；而 SweepANN 针对向量检索环节做优化，在 4 张 A100 GPU 上完成整套检索，大幅降低向量检索开销，方便科研人员反复更换靶点、快速试错。技术落地流程是先完成分子向量预编码入库，再输入蛋白口袋向量，执行大规模近似最近邻检索，批量输出每个口袋排名靠前的候选分子，后续再做对接、湿实验验证。整体来看，这项突破不是替代 DrugCLIP，而是在它的向量检索层做加速，极大降低基因组规模药物筛选的等待成本，对挖掘大量未被探索的疾病靶点、加速早期新药苗头分子发现有重要价值，但该算法只负责快速检索候选分子，不能直接等同于药物研发成功。