五亿分子、两万余个蛋白口袋，61 秒全部检索完毕。亚利桑那州立大学曹志超团队提出的 SweepANN 系统，将药物虚拟筛选的时间门槛从 24 小时直接降至一分钟，显著提升了新药发现早期环节的效率。
技术突破：从“天”级到“分钟”级的跨越
寻找作用于疾病相关蛋白的小分子化合物是药物发现的关键步骤。传统的虚拟筛选需逐一模拟化合物与蛋白口袋的相互作用，面对数亿规模的化合物库，计算耗时巨大。
2023 年，清华大学团队提出 DrugCLIP，通过对比学习将蛋白质口袋和小分子映射到同一向量空间，利用向量相似度检索候选分子，减少了逐一分子对接的计算负担。2026 年发表于 Science 的研究显示，DrugCLIP 使用八张 A100 GPU，在约 24 小时内完成了五亿分子与两万多个蛋白口袋的匹配。
近日，曹志超团队在 arXiv 发布预印本论文，提出 SweepANN 系统。该系统基于 DrugCLIP 生成的向量，通过优化 GPU 存储、批量检索及候选名单维护，在四张 RTX PRO 6000 Blackwell GPU 上，仅用约 61 秒即可完成同等规模（五亿分子、两万六千余口袋）的检索，平均召回率高达 99.63%。
背景与挑战：为何 24 小时仍不够快？
尽管 DrugCLIP 已将初筛时间大幅缩短，但在实际科研场景中，24 小时的等待依然冗长。研究者常需反复调整靶点、比较不同口袋，或应对不断扩大的分子库（如 ZINC-22 数据库已收录超 370 亿化合物）。每次变更都意味着重新计算，传统索引方法在处理需保留前 50 万候选分子的长列表任务时，因维护索引和候选集开销巨大，优势不再明显。
曹志超团队指出，系统研究的核心在于回答“能做多快、成本能降到什么程度”，旨在将一次性大规模计算转化为研究者可频繁交互的探索工具。
SweepANN 核心创新：全量扫描的高效实现
SweepANN 并未改变 DrugCLIP 的向量生成与打分逻辑，而是聚焦于系统层面的优化，解决存储、计算效率和候选名单维护三大难题。
量化压缩解决显存瓶颈
五亿条 768 维向量若以 FP32 格式存储需约 1.54 TB，远超实验所用四张 GPU 的显存总和。团队采用量化技术，每 256 维共用一个缩放系数，将数值转为 INT8 格式，使数据体积缩减至约 387 GB，顺利存入显存。计算时按需还原数据，虽损失少量精度，但对排名靠前的高分化合物影响极小，确保了候选名单的质量。
批量处理提升吞吐率
为减少 GPU 重复读取分子数据的开销，SweepANN 采用批量处理策略，将 64 个口袋组成一批。GPU 分块读取分子数据，通过矩阵乘法同时为整批口袋计算匹配分数。测试显示，批量处理使单卡吞吐量从每秒 18.2 个查询提升至 453.3 个。
“窗口计划”优化候选名单维护
针对每个口袋需保留前 50 万高分分子的需求，团队设计了多种名单维护方案。最终采用的“窗口计划”先通过少量“种子”数据块确定筛选门槛，后续扫描中直接过滤低于门槛的分子，避免了全量排序带来的巨大显存消耗和计算延迟。此外，结合 CUDA Graphs 回放技术，进一步减少了 GPU 操作发起的开销。
图｜候选名单越长，窗口方案的速度优势越明显（来源：受访者）
应用前景：重塑药物研发协作节奏
SweepANN 的 61 秒检索时间仅指 GPU 驻留检索阶段，不包含前期约 502 秒的量化与加载时间。但在实际应用中，分子库只需加载一次即可供多次查询，分摊后效率极高。
这一速度提升有望改变研究者与 AI 的协作模式：研究者可快速针对不同靶点或口袋获取候选分子，若后续分子对接或实验结果不理想，可迅速调整方向并重新检索，实现高频迭代。该方法不仅适用于药物筛选，其处理大结果集向量检索的思路也可借鉴于图像、文本等其他领域的大规模相似性搜索任务。
该论文第一作者为亚利桑那州立大学计算机系博士生张振宇，合作者包括博士生林奇及药物研发专家张楠。
参考资料：
1、 https://arxiv.org/abs/2610.27306
2、 https://openreview.net/forum?id=lAbCgNcxm7
3、 https://search.asu.edu/profile/4082902
4、 https://asu-idi.github.io/