提交 AutoDrug 任务

AutoDrug 将最新机器学习与药物设计工具落地到真实数据验证的自动化筛选流程

用户手册

化合物库将依次经过采样 → 过滤 → 共识 → 精排，输出命中列表与结构评分（按 Boltz-2 分数排序）。

输入要求：靶点序列（或 PDB/FASTA）、MSA（.a3m，需与目标序列对应）、化合物库 CSV（含 ligand_id、smiles）。

1) 填写序列（或上传 PDB/FASTA 自动回填），上传 MSA 与化合物库并填写任务名。

2) 设置采样与筛选参数，点击运行。

3) 在任务队列查看进度、日志与结果下载。

备注

选择 UCB 时，将执行多轮“采样 → SFCT → 训练”迭代。

UCB 详细说明：UCB 用户手册

Demo 选择

基础信息

任务名称

靶点序列（必填）

直接输入序列，或上传 PDB/FASTA 后自动提取。

目标结构/序列文件（PDB/FASTA）

（可选）上传后将自动提取序列填入上方文本框。

模板策略

仅在提供 PDB/CIF/mmCIF 时生效。

MSA 文件（A3M）

需与目标蛋白序列匹配，缺失会导致 Boltz-2 失败。可通过序列获取 MSA：HHblits 在线工具

自动获取 MSA（服务端）

开启后若未上传 A3M，将由服务端自动获取。

流程版本 Boltz-2 设备卡数

指定使用几张 GPU（默认 1）。

化合物库输入

上传 CSV URL

必须包含 ligand_id、smiles 列。

采样策略

采样方式

成药性筛选

Ro5 违规上限

Lipinski 规则违规次数上限，默认 ≤1。

分子量上限 (Da)

建议 ≤500 Da，口服吸收更友好。

AlogP 范围

至

推荐 −2 至 5，平衡溶解度与透膜性。

TPSA 上限 (Å²)

推荐 ≤140 Å²，过高会影响透膜。

QED 下限

推荐 ≥0.3，越高越接近已上市药物。

PAINS 过滤 Brenk/NIH 结构警示

共识阈值

GraphDTA DTA20 阈值 (pKa)

任务队列

查看状态、阶段进度与日志。

等待首次同步… 搜索状态排序

管理员工具

节点健康

任务 / 靶点	阶段	总进度	状态	GPU	分子数	开始时间	耗时	费用	操作
暂无任务，提交后自动显示。

第 / 1 页 · 共 0 条

每页

流程概览

四阶段自动化虚拟筛选，面向任意靶点与化学空间

为什么选择 AutoDrug

传统筛选需要在脚本、排程与多模型间频繁切换，难以统一管理与复现。 AutoDrug（基于 SFCT-FLOW）以 “Sampler → Filter → Collector → Tester” 串联，在一体化界面内完成筛选、排队与结果追踪。

流程先约束成药性，再以多模型门槛筛出高潜力候选，最终由 Boltz-2 精排，为后续实验验证提供高质量起点。

Sampler · 采样

覆盖候选空间

支持全量、随机或主动学习等多种策略，可根据任务需求平衡覆盖率与速度。

支持全量、随机、多样性或 UCB。
可结合粗筛模型提前过滤噪声。

Filter · 成药性

规则过滤

依据 Lipinski、PAINS、结构警示等规则过滤，确保候选具备基础药代与安全属性。

控制分子量、AlogP、TPSA、QED 等理化性质。
一票否决高风险结构片段。

Collector · 共识筛选

共识门槛

GraphDTA 与 Boltz-2 组合使用，多项分值全部达标才可保留，从而提升命中质量。

不做平均分，采用硬门槛共识。
仅保留满足亲和力与成药性标准的候选。

Tester · 精排

Boltz-2 精排

按 Boltz-2 绝对自由能与结合概率排序，输出最终候选清单。

高精度能量模型用于最终排序。
可输出报告与日志供研究人员审阅。

成药性默认阈值

Ro5 违规次数 ≤ 1。
分子量 < 500 Da。
AlogP 介于 −2 ~ 5。
TPSA < 140 Å²。
QED > 0.3。
PAINS 默认保留 False；Brenk/NIH 默认不启用。

共识阈值默认值

GraphDTA DTA20 ≥ 6（IC50 ≈ 1 µM）。
GraphDTA DTA100 ≥ 6。
Boltz-2 |ΔG| ≥ 10 kcal/mol。
Boltz-2 结合概率 ≥ 0.8。
任一指标未达标即被淘汰。

平台能力

Web 端参数管理与 SLURM 队列监控。
GraphDTA 机器学习 + Boltz-2 物理模型协同。
任务完成即可下载结果与日志。
可扩展到其他靶点或分子生成迭代。