深势科技Hermite:一站式计算机辅助药物设计平台现已开放内测         

  Hermite,是深势科技 (https://www.dp.tech/)推出的根植于云计算的临床前计算机辅助药物设计(Computer aided drug design, CADD)平台,致力于为药物科研工作者提供在CADD中数据、算法、算力三位一体的一站式解决方案。Hermite药物设计平台,集成了深势科技自主研发的全新药物设计解决方案及众多业界优秀的药物设计工具,并基于云计算场景深度优化。Hermite药物设计平台具有调度大规模云计算资源进行分布式计算的能力,并内置大量可以直接使用的蛋白、配体预处理数据库。Hermite药物设计平台以网页应用的形式,提供交互友好、多端数据同步、功能实时更新的在线服务。

Hermite药物设计平台于2021年6月30日上线内测,推出了蛋白结构优化模块Uni-ProteinProc和虚拟筛选模块Uni-VS。

Uni-ProteinProc模块

Uni-ProteinProc模块包含鲁棒的蛋白准备工作流Uni-ProteinPrep,基于强化动力学(Reinforced Dynamics,RiD)1,2开发的蛋白结构优化工具Uni-ProteinRefine,支持ProMod33、DiSGro4、FREAD5、petals6的Loop区补全和优化工具Uni-LoopOpt,及基于Fpocket7的配体结合位点预测工具Uni-LBSPred等实用工具。

Uni-Uni-VS模块

Uni-VS模块包含基于Gypsum-DL8开发的配体准备工作流Uni-LigandPrep,支持Autodock49、Qvina10和Smina11等的分子对接工具Uni-Dock,基于Gromacs12开发的分子动力学模拟全自动工作流Uni-MD,能够自由组合功能模块的虚拟筛选工作流搭建工具Uni-VSW,基于ADMETlab13开发的Uni-ADMET,及相似物搜索工具Uni-SimilaritySearch。

高效准确的创新方案

• 物理建模+机器学习+高性能计算

• 相较传统方法更高的精度和效率

就蛋白质水平的研究而言,包括蛋白结构解析-靶点发现-苗头和先导化合物发现-先导化合物的活性优化等环节,几乎所有问题都是良好定义的物理问题。本质上都可以抽象为微观原子、电子层面的相互作用问题。因此理论上都可用以薛定谔方程为代表的量子力学方法清晰描述。基于“物理建模+机器学习+高性能计算”的新范式,深势科技针对临床前药物研发中多个常见的建模问题发起了挑战,以期以相较传统方法更高的精度和效率为CADD领域带来新的解决方案。Reinforced Dynamics(RiD)是深度势能团队提出的基于机器学习对高维空间进行高效采样的黑科技算法,在蛋白质构象预测、药物结合构象优化等领域有着巨大的应用潜力。我们正在将RiD算法用于解决蛋白折叠(Protein Folding)、蛋白结构优化(Protein Structure Refinement)、诱导契合对接(Induced Fit Docking, IFD)等场景中的复杂采样问题,以实现蛋白结构、蛋白受体结合构象的高效预测和精准优化。我们正在基于DeePMD14,15构建第一性原理精度的小分子力场,将其应用于我们自主搭建的自由能计算工作流中,结合增强采样方法,实现高效准确的自由能微扰(Free Energy Perturbation,FEP)计算。我们也正在将分子嵌入(Embedding)和迁移学习(Transfer Learning)等方法应用于分子对接(Docking)中,以期在保证精度的前提下极大提升虚拟筛选的通量。

面向云端的深度优化

• 弹性调度云计算资源

• 支持分布式计算

• 适配高性能硬件

我们深刻地意识到,随着蛋白结构数据、虚拟分子库等可及数据量的不断增长带来的计算通量不断扩大,FEP、IFD、Folding等计算密集型需求不断增加,CADD领域对大量算力的调度能力、对分布式并行计算的扩展能力提出了新的需求。建服务器集群是传统上获取算力的方式。然而,服务器集群搭建时间长、维护成本高、硬件更新慢,且常常遇到资源浪费或不足的问题。科研工作者往往要投入大量时间精力参与到寻求算力、集群搭建、环境部署等工作中。然而在如今的云计算时代,算力,应该如自来水、电力一般方便取用。为打通算力和药物研发工作者之间的“最后一公里”,我们赋予了药物设计平台Hermite弹性调度上千台云服务器的能力。同时,我们基于云计算资源弹性的特点,对各类算法进行二次开发,使它们能够在大规模算力上进行分布式计算,使各类计算任务能够快速完成。另一方面,诸如GPU等高性能计算硬件的不断发展为各类算法的计算效率提供了更大的提升空间。算法对高性能计算机硬件的适配成为了提升性能的必由之路。我们也针对不同算力平台开展了算法的高性能优化,充分利用高性能计算硬件来加速算法。我们的团队继在2020年以具备第一性原理精度的分子模拟推向数亿原子的工作获得戈登贝尔奖后,又马不停蹄地把相关工作经验和思路移植到Hermite产品的性能优化中来,持续提升各大模块的计算性能,让你能够又好又省地完成计算任务16。

开箱即用的网页应用

• 免安装轻量化

• 软件在线实时更新

• 云端实时保存更改

• 多设备自由切换

传统的工业软件往往采用客户端/服务器(C/S)的模式。这种类型的软件不仅安装繁琐,后续难以及时迭代更新。为了免去用户繁琐的安装步骤,我们以网页应用的形式将Hermite药物设计平台呈现给用户,用户无需考虑自己电脑的性能高低、存储大小,也不必担心自己的操作系统是否适配,只要打开浏览器键入网址,就可以流畅地在最新版Hermite药物设计平台上进行药物研发工作。用户的最新修改会实时保存,从而可以随意在多个终端之间自由切换。与此同时,Hermite药物设计平台中上线的最新功能可以在第一时间触达用户。

结语

Hermite药物设计平台作为一款CADD应用集成平台,将不断迭代更新提升多方面能力。我们将持续上线深势科技自主研发的CADD领域全新解决方案,在多个环节上运用物理模型不断提升计算精度,直至其计算精度真正和实验可比,并运用AI、HPC和采样办法等手段提升计算效率。我们将持续集成CADD业界各类优秀工具,并针对云计算二次开发适配,打通药物研发工作者和算力之间的“最后一公里”,解放药物研发工作者的生产力,让科研工作者更多聚焦在科学研究上。我们将不断增加蛋白结构、虚拟分子库等各类预处理数据,并提供更多的数据分析工具,让用户根据自身需求灵活取用各类数据。我们将努力提高各类功能的鲁棒性,不断提升各个功能面对复杂问题的解决能力,让计算过程更加自动化、智能化,计算结果更加可靠可信。我们将深度优化用户交互体验,提升工作效率、降低使用门槛,让药物研发工具更加简单易用。Hermite药物设计平台的内测上线只是一个起点。我们将持续努力,以期把Hermite药物设计平台打造成功能强大、算力自由、交互友好、性价比高的计算机辅助药物设计一站式解决方案。

请通过链接填写问卷:https://wj.qq.com/s2/8730755/dae3 我们会分批开放名额,并以微信和邮件的方式通知您进入内测

References:
1. Zhang, L., Wang, H., & E, W. (2018). Reinforced dynamics for enhanced sampling in large atomic and molecular systems. The Journal of chemical physics, 148(12), 124113.8.
2. Wang, D., Zhang, L., & Wang, H. (2021). Efficient sampling of high-dimensional free energy landscapes using adaptive reinforced dynamics. arXiv preprint arXiv:2104.01620.
3. Studer, G., Tauriello, G., Bienert, S., Biasini, M., Johner, N., & Schwede, T. (2021). ProMod3 - A versatile homology modelling toolbox. PLoS computational biology, 17(1), e1008667.11.
4. Tang, K., Zhang, J., & Liang, J. (2017). Distance-guided forward and backward chain-growth Monte Carlo method for conformational sampling and structural prediction of antibody CDR-H3 loops. Journal of chemical theory and computation, 13(1), 380-388.
5. Choi, Y., & Deane, C. M. (2010). FREAD revisited: accurate loop structure prediction using a database search algorithm. Proteins: Structure, Function, and Bioinformatics, 78(6), 1431-1440.
6. Wong, S. W., Liu, J. S., & Kou, S. C. (2017). Fast de novo discovery of low‐energy protein loop conformations. Proteins: Structure, Function, and Bioinformatics, 85(8), 1402-1412.
7. Le Guilloux, V., Schmidtke, P., & Tuffery, P. (2009). Fpocket: an open source platform for ligand pocket detection. BMC bioinformatics, 10(1), 1-11.
8. Ropp, P. J., Spiegel, J. O., Walker, J. L., Green, H., Morales, G. A., Milliken, K. A., ... & Durrant, J. D. (2019). Gypsum-DL: an open-source program for preparing small-molecule libraries for structure-based virtual screening. Journal of cheminformatics, 11(1), 1-13.13.
9. Morris, G. M., Huey, R., Lindstrom, W., Sanner, M. F., Belew, R. K., Goodsell, D. S., & Olson, A. J. (2009). AutoDock4 and AutoDockTools4: Automated docking with selective receptor flexibility. Journal of computational chemistry, 30(16), 2785-2791.14.
10. Alhossary, A., Handoko, S. D., Mu, Y., & Kwoh, C. K. (2015). Fast, accurate, and reliable molecular docking with QuickVina 2. Bioinformatics, 31(13), 2214-2216.15.
11. Koes, D. R., Baumgartner, M. P., & Camacho, C. J. (2013). Lessons learned in empirical scoring with smina from the CSAR 2011 benchmarking exercise. Journal of chemical information and modeling, 53(8), 1893-1904.16.
12. Van Der Spoel, D., Lindahl, E., Hess, B., Groenhof, G., Mark, A. E., & Berendsen, H. J. (2005). GROMACS: fast, flexible, and free. Journal of computational chemistry, 26(16), 1701-1718.
13. Dong, J., Wang, N. N., Yao, Z. J., Zhang, L., Cheng, Y., Ouyang, D., ... & Cao, D. S. (2018). ADMETlab: a platform for systematic ADMET evaluation based on a comprehensively collected ADMET database. Journal of cheminformatics, 10(1), 1-11.
14. Zhang, L., Han, J., Wang, H., Saidi, W. A., & Car, R. (2018). End-to-end symmetry preserving inter-atomic potential energy model for finite and extended systems. Advances in Neural Information Processing Systems, 2018-December , pp. 4436-4446.
15. Zhang, L., Han, J., Wang, H., Car, R., & Weinan, E. (2018). Deep potential molecular dynamics: a scalable model with the accuracy of quantum mechanics. Physical review letters, 120(14), 143001.
16. Jia, W., Wang, H., Chen, M., Lu, D., Liu, J., Lin, L., ... & Zhang, L. (2020). Pushing the limit of molecular dynamics with ab initio accuracy to 100 million atoms with machine learning. International Conference for High Performance Computing, Networking, Storage and Analysis, SC, 2020-November , art. no. 9355242