SAIR 数据集发布：AI 赋能药物研发的结构智能突破

SandboxAQ 发布了 Structurally Augmented IC50 Repository（SAIR），这是最大的共折叠 3D 蛋白质-配体结构数据集，配对了实验测量的 IC₅₀ 标签，直接链接分子结构与药物效力，克服了训练数据长期稀缺的问题。该数据集现已在 Hugging Face 上可用，研究人员首次可以开放访问超过 500 万个 AI 生成的高精度蛋白质-配体 3D 结构，每个结构都配对了经验证的结合效力数据。SAIR 是一个开源数据集，在 CC BY 4.0 许可下免费公开，使其可立即用于商业和非商业研发流程。SAIR 不仅是一个数据集，还是一个战略资产，弥合了 AI 驱动药物设计中的数据缺口。它赋能制药、生物技术和科技生物领域的领导者加速研发、扩展目标视野，并增强 AI 模型，将更多昂贵、耗时的药物设计和优化从湿实验室转移到计算机模拟中。这意味着从命中到先导化合物的时间缩短、先导化合物优化更高效、减少死胡同项目，以及从初始想法到临床候选药物的路径更可预测。AI 和计算机辅助设计在显著加速新药开发方面具有巨大潜力。几十年来，科学家一直梦想 AI 能够从描述疾病途径的提示中识别或设计出有效、无毒且高效的化合物，实际上将多年的药物研发压缩到计算机上的几分钟。然而，这一愿景受限于 AI 仅基于分子结构预测关键药物属性（如效力、毒性等）的能力。此外，传统基于结构的发现早期常因可靠 3D 结构的确定而放缓。三维分子结构决定了分子的功能、动力学和相互作用，这在潜在候选药物预期与人类蛋白质靶点结合时尤为重要。实验方法，如 X 射线晶体学和冷冻电镜，需要大量时间和投资，许多有前景的疾病靶点仍缺乏实验验证的结构信息。计算机模拟有助于降低获取 3D 结构和预测结合亲和力的门槛。然而，早期蛋白质折叠和对接算法（如 AlphaFold 和 Vina）仅预测分子和蛋白质的静态快照（实际上，它们本质上是动态和形状变化的）。SAIR 通过编译超过 100 万个独特的计算共折叠蛋白质-配体对，最终产生 524 万个不同的 3D 复合物（每对五个不同的共折叠结构），解决了这一限制。每个结构都与来自 ChEMBL 或 BindingDB 的精选 IC₅₀ 测量值配对，首次提供了高质量 3D 结构与药物效力之间的可扩展链接，弥合了阻碍 AI 驱动发现的历史数据缺口。在类似数据上训练的深度学习亲和力模型，如 Boltz-2，已被证明比传统的第一原理方法快达 1000 倍。创建 SAIR 是高性能 AI 计算的一项重大成就。使用 Boltz1（一个共折叠 AI 模型）在 760 个 NVIDIA H100 处理器的集群上计算 SAIR 数据集耗时超过 13 万 GPU 小时。