[发明专利]一种基于GPU加速AutoDock Vina的方法

说明书

本发明公开了一种基于GPU加速AutoDock Vina的方法及实现，该方法通过增加初始随机配体构象的数目来扩展蒙特卡罗的迭代局部搜索方法中对接线程的并行规模，减少蒙特卡罗的迭代局部搜索方法中的搜索步数，利用OpenCL实现AutoDock Vina中CPU和GPU异构并行结构以此达到更高水平的并行和加速能力。现代药物筛选需要面对海量的化合物数据，目前的分子对接技术无法满足现实需求。采用本发明的方法，可以在保证不损失对接精度的同时大幅加快分子对接和虚拟筛选的速度，满足大型化合物数据库分子对接的实际需求。

技术领域

本发明涉及一种基于GPU加速AutoDock Vina的方法，属于硬件加速药物设计技术领域。

背景技术

分子对接是药物研发早期的重要过程，它利用分子对接软件对分子化合物与药物靶标进行分子对接运算，再进行活性化合物筛选。分子对接可快速从几十至上百万分子中，选出具有可能成药的活性化合物，大大降低实际筛选化合物数目，缩短研究周期，降低药物研发的成本。

目前常用的一些分子对接软件有AutoDock4、AutoDock Vina、AutoDock Vina1.2.0、AutoDock FR、AutoDock Crank Pep、AutoDock-GPU等，其中 AutoDock Vina使用最为广泛。在CASF-2016的评分函数对比评测中，AutoDock Vina是所有分子对接工具中对接能力最高的软件，它使用了基于蒙特卡罗的局部迭代搜索方法和CPU的多线程性来提高分子对接的速度和精度，AutoDock Vina算法从整体上是串行设计，后面代码运行依赖于前面的输出。

目前药物虚拟筛选的化合物数量通常在10⁷以下，这种有限的化学搜索空间将严重影响先导化合物筛选的成功率。幸运的是，据估计类药小分子化合物的整个化学空间可望达到10⁶⁰。在虚拟筛选时，化合物的规模非常重要，筛选的候选化合物越多，则假阳性率越低，先导化合物质量越好。目前，AutoDock Vina并行能力主要依靠算力堆叠以及资源和任务的优化配置。例如VirtualFlow 平台，它利用CPU以并行的方式在计算集群上完成超大规模数据库的虚拟筛选任务。但是，这么巨大的资源投入和开销，还有用户的高门槛，将严重限制 AutoDock Vina在现代药物设计中面临巨大化合物数据时的广泛使用。因此，为了满足现代药物筛选的迫切需求，我们需要大幅加快AutoDock Vina在大型化合物数据库上的筛选速度。

GPU(Graphics Processing Unit)是并行可编程处理器，具有数千个计算核心，可提供强大的计算性能。GPU性价比较高且易于开发，并且有完善的开发标准，例如并行计算架构(CUDA)和开放运算语言(OpenCL)。目前AutoDock Vina 在GPU上加速面临着两大困难。第一，AutoDock Vina算法是基于局部扰动的蒙特卡罗搜索算法，即强依赖迭代算法，在整体上为串行性设计；第二，每个配体文件格式化为异构树结构，每个节点通过递归遍历树状结构。设计新的算法并实现AutoDock Vina在GPU上的加速具有非常重要的应用价值，可以大幅降低投入与开销，开发简单方便，有望解决AutoDock Vina在现代药物设计面临巨大化合物数据的巨大挑战。

发明内容

鉴于现有技术中存在的上述问题，本发明提供一种基于GPU加速AutoDock Vina的方法，能够实现AutoDock Vina的算法上大规模并行，减少大型数据库虚拟筛选的成本，能广泛应用于个人计算机、服务器或云计算上的大规模药物虚拟筛选。

为达成上述目的，本发明所采用的技术方案如下：一种基于GPU加速 AutoDockVina的方法，包括如下步骤：