在药物发现的早期阶段，虚拟筛选是一项关键任务。研究人员需要在数以百万甚至数十亿计的化合物中快速识别出哪些分子有可能与目标蛋白结合，从而缩小实验验证的范围。传统的高通量虚拟筛选依赖于基于物理模型的分子对接软件，如AutoDock Vina和Glide。这些软件虽然经过了数十年的验证和改进，但计算速度较慢，对于大型化合物库的筛选需要耗费大量计算资源和时间。近年来深度学习方法在分子对接和打分预测方面取得了显著进展。各种AI模型在公开基准测试中不断刷新性能指标，但一个核心问题始终未能解决：这些模型大多以独立工具的形式存在，研究人员需要自己编写代码来串联数据预处理、模型调用、结果后处理和可视化等各个环节。这种零散的工作方式不仅效率低下，而且容易出错，严重制约了AI工具在药物研发中的大规模应用。浙江大学团队在Nature Protocols上发表的CVSP-AIE平台，正是为了解决这个问题而设计的。
浙江大学药学院和计算机学院的研究人员在日常的科研工作中深刻体会到了现有AI虚拟筛选工具的局限性。一个典型的虚拟筛选流程包括靶点蛋白的获取和准备、化合物库的下载和清洗、分子对接运算、打分排序、候选分子的聚类和可视化等十几个步骤。每个步骤都有多种工具可以选择，但不同工具之间缺乏统一的数据接口和运行规范。研究人员发现，在自己的课题组里即使是经验丰富的研究生，完成一次完整的虚拟筛选也需要两周左右的时间，而且在重复实验中经常因为操作步骤的微小差异导致结果不一致。更严重的是，新加入课题组的学生需要花费数周时间学习各种工具的用法和参数设置。这种经验驱动的操作方式很难保证结果的可靠性和可重复性。CVSP-AIE的核心理念是将整个虚拟筛选流程标准化和自动化。平台定义了清晰的数据输入格式、运行参数规范和输出标准，研究人员只需要上传靶点蛋白的结构文件和化合物库文件，平台就会自动执行从对接计算到结果分析的全流程。这种工作流化的方式大幅降低了AI虚拟筛选的使用门槛。
CVSP-AIE平台采用了独特的四层分层筛选架构，将不同精度和速度的计算方法组合成一个高效的筛选流水线。第一层是快速筛选层。在这一层平台使用基于分子指纹的相似度搜索和基于机器学习的分类器，在几分钟内将千万级的化合物库快速缩减到十万级。这种快速筛选虽然精度有限，但能高效地去除大量明显不合适的化合物。第二层是标准分子对接层。通过第一层粗筛的化合物会进入第二层，由多个深度学习打分模型集成进行计算。平台同时调用多个不同架构的模型进行预测，只有当多个模型的打分结果一致时才认为该化合物有潜力。这种集成策略有效降低了个别模型过拟合带来的假阳性风险。第三层是精细打分层。对于第二层筛选出的候选化合物，平台会使用更加精确的基于物理模型的分子对接软件进行重打分。这一层的计算速度较慢但精度更高，适用于对少量候选化合物进行精细排序。第四层是实验验证推荐层。平台会综合考虑对接打分、候选化合物的化学多样性、合成可及性和专利情况等因素，生成一份包含推荐排序和化合物结构信息的报告，直接供实验研究人员参考和验证。这种分层递进的筛选策略在速度和精度之间取得了良好的平衡。测试数据显示，CVSP-AIE能够在8小时内完成对100万级化合物库的四层全流程筛选，最终的候选化合物命中率是传统单一模型筛选方法的2到3倍。
CVSP-AIE的另一个重要特点是它提供了完整的网页端操作界面。研究团队将整个平台部署为一套前后端分离的Web系统。用户不需要安装任何软件，不要求具备编程能力，只需要通过浏览器访问平台就能完成虚拟筛选的全流程操作。平台界面由三个主要部分组成。首先是项目管理面板，用户在这里创建新的筛选项目，上传靶点蛋白和化合物库文件，设置筛选参数。然后是任务监控面板，用户可以实时查看筛选任务的进度和日志，了解当前处于哪个筛选阶段。最后是结果分析面板，用户可以通过交互式图表查看打分分布、聚类结果和候选化合物的三维结构。从发布后的反馈来看，CVSP-AIE平台已经在多个学术和工业研究团队中投入使用。早期用户普遍反馈平台的操作流程清晰，结果的可重复性好。研究人员指出CVSP-AIE将虚拟筛选从一门手艺变成了一条标准化的生产线。多位从事药物化学研究但不擅长编程的用户表示，这个平台让他们也能独立使用AI工具进行虚拟筛选，扩大了AI在药物研发中的覆盖范围。研究团队表示将继续优化平台的性能和功能，计划整合更多的AI模型和实验验证模块。未来版本还将支持用户自定义筛选流程，允许研究人员根据特定靶点的需求灵活调整各层的筛选参数和模型组合，从而在保持标准化工作流优势的同时提供足够的灵活性和可定制空间。