基于分子对接的虚拟筛选已成为新药研发的核心技术。传统的基于物理模型的对接方法需要依赖不同的搜索策略探索构象空间以及预设的打分函数确定不同配体分子的结合模式和结合强度。由于计算量的限制，有限的搜索步骤难以实现完全收敛，且打分函数往往简化了蛋白-配体间的相互作用，这在一定程度上削弱了其在实际应用中的精度。近年来，随着数据科学的快速发展，基于人工智能（AI）的对接工具不断涌现，在对接精度和速度上展现出巨大潜力。但是这些工具往往会忽视了对接复合物构象的物理合理性以及其在药物虚拟筛选中的实际表现。

2025年2月，浙江大学侯廷军教授和康玉副教授团队在《自然-机器智能》(Nature Machine Intelligence)发表题为“Benchmarking AI-powered docking methods from the perspective of virtual screening”的论文。该研究构建了一个全面的虚拟筛选基准测试集VSDS-vd，对四种基于物理的对接方法、四种AI驱动的对接方法以及两种AI驱动的打分函数进行了综合评估。评估结果显示，AI驱动的对接方法在对接结构的物理合理性上尚存不足，但在虚拟筛选任务中展现出巨大的潜力。基于评估的结果，研究团队提出了一种层次性的虚拟筛选策略，该策略在筛选速度和精度之间达到了动态平衡，并在实际的大规模药物筛选中表现优秀。

图1. 研究工作的整体流程图

浙江大学药学院为本论文的第一署名单位，侯廷军教授团队博士生谷书凯、博士后张徐俊以及浙江大学第一附属医院研究员沈超为共同第一作者，浙江大学侯廷军教授、康玉副教授为共同通讯作者。

原文链接：https://www.nature.com/articles/s42256-025-00993-0