以解牛之法析生信，观微雀之形览科研。
乔粒说：今天来介绍2026年清华团队开发的一个工具DrugCLIP，用于虚拟筛选小分子。
用途：①手上有目标蛋白，可低成本批量筛候选化合物，替代耗时的传统对接；
②研究冷门、暂无已知配体的蛋白靶点，快速挖掘潜在结合分子；
③可直接使用团队开源的 GenomeScreenDB 数据库，调取提前算好的全基因组筛选结果，省去自行计算的步骤。
网址：DrugCLIP：https://www.drugclip.com/index，可直接访问。
总而言之，这是个非常好用的网站，下边我们来看下他们的相关开发文献吧。
文献解读
文献标题：Deep contrastive learning enables genome-wide virtual screening
Doi：10.1126/science.ads9530
发表时间：2026年1月
发表期刊：Science
影响因子：49.7
创新点
清华大学团队开发了一个工具DrugCLIP，把虚拟筛选的适用规模从单靶点拉升到了全基因组级别。
数据来源
- 预训练数据：从PDB数据库的纯蛋白结构中，通过自研ProFSA策略切割肽段生成“伪配体-伪口袋”配对数据，共构建550万条合成训练样本；
- 微调数据：BioLip2数据库中4万余套实验解析的蛋白-配体复合物结构；
- 基准测试：采用领域通用的DUD-E、LIT-PCBA标准数据集；
- 全基因组筛选：AlphaFold2预测的人源蛋白结构，化合物库来自ZINC与Enamine REAL数据库，包含约5亿个类药分子。
结果解读
1 DrugCLIP模型框架
分析方法：两阶段对比学习训练 + 稠密检索筛选流程
呈现了工具的核心逻辑，分为预训练、微调、筛选三个环节。
预训练阶段固定已训练好的Uni-Mol小分子编码器，仅训练口袋编码器，用合成的伪配体-口袋对进行对比学习，将小分子的化学表征知识蒸馏到口袋编码器中。
微调阶段使用真实实验复合物数据，同步更新两个编码器；同时加入RDKit随机构象采样的数据增强策略，让模型适配真实筛选中分子构象未知的场景。
2 性能测试与蛋白靶点验证
分析方法：标准数据集基准测试 + 湿实验靶点验证
这组结果从富集效果、泛化能力、结构鲁棒性、计算效率四个维度，全面验证了模型性能。
- 富集效果：在DUD-E与LIT-PCBA两个通用基准上，1%富集因子（EF1%）全面优于传统对接软件与主流深度学习模型；
- 泛化能力：移除与测试集相似的分子骨架、蛋白家族后，性能下降幅度有限，表现仍优于主流对接工具；
- 结构鲁棒性：当口袋侧链存在3Å误差时，模型表现依然稳定，对结构噪音的耐受度优于传统对接；
- 计算效率：串行模式下速度远超传统方法，大规模并行场景下提速可达千万倍，且算力消耗随靶点与分子数量线性增长。
湿实验在经典膜蛋白靶点上完成验证：筛选100个分子命中率达15%，其中12个分子活性优于对照分子，还通过冷冻电镜解析了两个复合物的结合结构。
3 GenPack模块与靶点验证
分析方法：AlphaFold/去辅基结构筛选基准 + SPR结合实验 + 酶活实验
这部分重点解决“AlphaFold预测结构能否用于虚拟筛选”的关键问题。
研究进一步拆解了机制：GenPack的核心作用并非让侧链构象更接近晶体结构，而是提升了口袋定位的精准度——也就是说，AlphaFold结构用于筛选的核心瓶颈是口袋定位，而非侧链精度。
最终研究选取了全新蛋白靶点TRIP12，通过“AlphaFold+GenPack+DrugCLIP”的流程，SPR实验获得17.5%的命中率，两个分子进一步验证了酶水平的抑制活性。
4 全基因组筛选与公开数据库
分析方法：全基因组尺度虚拟筛选 + 数据库构建
研究团队使用8张A100 GPU，耗时24小时，完成了近1万个人源蛋白、2万余个结合口袋与5亿小分子的虚拟筛选，累计完成超10万亿次打分。
最终筛选出200余万候选分子，构建为GenomeScreenDB公开数据库。数据库覆盖近一半人类可成药基因组，靶点数量是常用ChEMBL数据库的两倍以上，包含大量研究较少的冷门蛋白。
所有分子的打分结果、对接构象均免费开放，可通过官方网站直接查询，我们也可以直接获得。
点评
乔粒有话说：这项工作能取得如此影响力，核心不在于模型的复杂度，而在于它从真实科研难点出发，形成了“方法创新-性能验证-落地产出-开源共享”。
对于我们来说它有：
工具价值：可直接使用DrugCLIP工具或GenomeScreenDB数据库，为目标靶点快速筛选候选分子，成本远低于传统对接方案；
思路价值：“预编码+稠密检索”的范式，可迁移至蛋白-蛋白互作预测、单细胞配体-受体分析等其他大规模生物匹配问题，适合作为课题方法创新的切入点。
以解牛之法析生信，观微雀之形览科研。
今天的文献就分享到这里啦，欢迎批评指正！
