预测不可预测的事物：使用云端量子力学仿真破坏药物先导药物优化

这篇文章由 Klaas Gunst（qSimulate 科学软件副总裁）和盐崎透（qSimulate 首席执行官）撰写

基于物理的计算机仿真在药物发现中起着重要作用，使科学家能够准确地模拟分子级相互作用。但是，传统模拟不适用于非常规的约束方式，因此限制了其影响。这是因为大多数商业产品都基于经典力学的模型。这些模型忽略了某些物理学，例如与金属位点结合的药物、形成共价键的药物以及诱发强烈蛋白质极化的粘合剂。

量子力学（QM）可以准确描述这种相互作用。但是，将量子力学直接应用于蛋白质-药物复合物的自由能扰动（FEP）以前是不可行的，因为它的计算密集度远高于传统的力学模拟。正如 NVIDIA 的一篇技术博客文章中部分报道的那样，QSimulate 为应对这一挑战取得了一系列科学、算法和软件突破。

在这篇博客文章中，我们将回顾我们最近开发的混合精度 (FP64/FP32) 仿真解决方案，该解决方案用于基于 QM 的 FEP 仿真，用于小分子药物的先导优化。这是对 QSimulate 的 QM FEP 产品 QUELO 的扩展，使计算成本降低了一个数量级。基于 QM 的潜在客户优化解决方案现已在亚马逊云科技上使用 G6e 实例等具有成本效益的实例系列。

量子力学突破了基于物理学的仿真的界限

QSimulate 的 QUELO 产品加速了蛋白质-药物复合物的量子力学模拟。现在，每次仿真仅需几毫秒，首次在单个 GPU 卡上实现了每天 100 纳秒的动态吞吐量。这与需要几秒甚至几分钟的传统 QM 仿真解决方案形成鲜明对比。除了软件实现外，QUELO 还优化了硬件和编排以实现这种性能。Amazon Elastic Compute Cloud（Amazon EC2）、Amazon Relational Database Service（Amazon RDS）、Amazon Lambda、Amazon Simple Storage Service（Amazon S3）和亚马逊云科技 ParallelCluster 等亚马逊云科技服务极大地促进了这一点。有关系统架构图，请参见图 1。

QUELO 利用 Amazon Lambda 来快速处理需要快速周转的用户输入。用户输入、中间信息和模拟结果存储在 Amazon RDS 的数据库中，图形用户界面 (GUI) 可视化任务。用户提交给 QUELO 的每个模拟通常都会生成数十甚至数百个任务，在 EC2 实例上进行计算。可以从 GUI 停止或重新启动分析，并在 RDS 数据库中跟踪工作流状态。分子动力学轨迹等大型输出文件存储在 Amazon S3 中，可供专家用户从 GUI 下载。

图 1-亚马逊云科技中 QUELO 解决方案的架构图。QUELO 利用各种亚马逊云科技解决方案，包括 Amazon EC2、RDS、Lambda、S3 和并行集群。

图 1 — 亚马逊云科技中 QUELO 解决方案的架构图。QUELO 利用各种亚马逊云科技解决方案，包括 Amazon EC2、Amazon RDS、Amazon Lambda、Amazon S3 和亚马逊云科技并行集群。

混合精度 QM 引擎：工作原理

QM FEP 的混合精度算法于 2024 年底发布，在很大程度上遵循了经典力学仿真的标准策略。大多数能量分量是在 FP32 中计算的，但在 FP64 中累积的。我们特别注意输入迭代 QM 解的量的数值精度，以保证收敛模式不会因使用 FP64/FP32 混合精度算法而受到负面影响。

从用户的角度来看，采用 FP64/FP32 混合精度的 QM-FEP 仿真具有显著的优势。QUELO 现在可以在不支持 FP64 硬件的 GPU 卡上高效运行，从而提高了硬件选择的灵活性，例如 Amazon EC2 G 实例系列。

G6e 实例上的 GPU 在 FP32 中具有 91.61 TFLOPS，而 FP64 的 GPU 仅提供 1.4 TFLOPS（比率为 64:1）。这种 FP32 的性能非常出色，因为即使是 P5 实例上的高端显卡也不会像 FP64 一样的 FLOPS 计数。

使用 FP64/FP32 混合精度显著提高了亚马逊云科技上每次仿真的性价比。这是因为对于像我们这样的科学计算工作负载，与 P 系列的实例相比，G 系列中的实例通常更具成本效益，如图 2 所示。

图 2 — 使用混合精度引擎和 G6e 实例系列在计算成本和周转时间方面的典型降低。我们使用一个单位电池中有 25,000 个原子的系统来测量成本和时间，其量子力学区域约为 80 个原子。

通过利用 FP64/FP32 混合精度和具有成本效益的 G 系列实例（例如 g6e.2xlarge 实例），我们观察到求解时间缩短了 2 倍以上，而计算成本降低了 7-8 倍。

结论

借助 QUELO，基于 QM 的潜在客户优化仿真现在不仅可行，而且实际上具有高性能和成本效益。

您可以利用 QUELO 中的这些新实现。计算机辅助药物发现领域的先驱 Alterome Therapeutics 计算化学高级副总裁迈克尔·巴特伯格博士表示，由于预算方面的考虑，过去在初创企业环境中使用生产级量子力学 FEP 进行线索优化具有挑战性。但是现在，"混合精度的 QM-FEP 引擎改变了游戏规则。Alterome 对 QUELO 套件在我们的药物发现活动中的表现感到满意。能够将量子力学整合到基于动力学的相对自由能方法中，这对于提高针对挑战性目标的 RBFE 计算的预测精度来说是个好兆头。此外，利用商用 GPU 硬件执行此操作的能力现在允许其以常规方式使用。"

访问 QUELO 产品页面以了解更多信息。QSimulate 提供 QUELO 体验，您可以通过它免费见证量子在药物线索优化方面的力量。

本博客中的内容和观点是第三方作者的内容和观点，亚马逊云科技对本博客的内容或准确性不承担任何责任。