买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京邮电大学

摘要：本发明涉及一种面向药物虚拟筛选的多线程协作的GPU加速方法及实现，该方法通过增加初始随机配体构象的数目来减少蒙特卡罗的迭代局部搜索方法中的搜索步数。利用OpenCL实现CPU和GPU异构并行结构以此达到更高水平的并行和加速能力。该方法还通过构造GPU中全局内存的结构来解决OpenCL中无法实现八叉树的问题。现代药物筛选需要面对海量的化合物数据，在实际分子对接过程中，有可能在对接之前事先不知道靶区，此时要将配体对接到蛋白质靶标的整个表面，找到配体和受体最佳结合模式，这个过程称为盲对接，常用的的对接软件很难满足盲对接的要求。采用本发明的方法，可以在保证在盲对接的情况下，不损失对接精度的同时大幅加快分子对接和虚拟筛选的速度，满足大型化合物数据库分子对接的实际需求。

主权项：1.一种面向药物虚拟筛选的多线程协作的GPU加速方法，其特征在于，包括以下步骤：步骤1：主机端进行包含数据准备、OpenCL配置在内的任务；步骤2：设备端运行——在设备端中，每个线程执行多线程协作的蒙特卡罗迭代优化算法，输出每个线程的最优分子构象；设备端运行的具体步骤如下：步骤2.1：将主机端生成的随机分子构象分配到设备端的每一个线程中，每一个构象对应一个线程，其中总的线程数thread在config.txt文件中设置好；步骤2.2：将每个线程的搜索步数search_depth设置为5；步骤2.3：采用多线程协作的蒙特卡罗迭代局部算法对分子构象进行优化；具体操作如下：步骤2.3.1：对分子构象进行随机扰动；步骤2.3.2：对扰动后的分子构象进行GCheck和ICheck判断；具体表现为：GCheck：计算扰动后的分子构象与全局内存中构象的空间距离，全局内存存储的是所有线程进行两次拟牛顿算法BFGS优化后的最终构象，然后筛选出空间距离小于截止半径R的构象，再计算待检测构象与截止半径R内的构象的N维度的欧式距离，并按照欧氏距离由近到远排序，找到前N个最近的邻点构象，若N个邻点构象中有一个满足启发式条件，则进行步骤2.3.3，否则进行ICheck；ICheck：搜索该线程的局部缓存中的分子构象，局部缓存中存储的是该线程BFGS优化过程中得到的所有构象，计算扰动后的分子构象与局部缓存中构象的N维度欧氏距离，按照N维度的欧式距离由近到远进行排序，找出前3N个最近的邻点构象，若3N个邻点构象中有一个满足启发式条件，则进行步骤2.3.3；若不满足则退出该次搜索，从步骤2.3.1处重新开始；GCheck中寻找空间最近邻构象的方法是：将每次BFGS优化的最终构象存储在八叉树的结构中，八叉树的结构是递归实现的，八叉树的内存空间是动态分配的；步骤2.3.3：使用BFGS方法对构象进行优化，将BFGS优化过程中得到的所有构象存储在局部缓存中；步骤2.3.4：比较扰动前和优化后构象的能量大小，来确定是否接受优化后的构象；如果优化后的构象被接受，进行步骤2.3.2和2.3.3，将BFGS优化得到的最终构象存储在全局内存中；如果优化后的构象不被接受，进行步骤2.3.5；步骤2.3.5：判断搜索步数是否达到设定值，如果搜索步数未达到设定值则进行步骤2.3.1，如果搜索步数达到设定值则输出该线程中的最佳分子构象；步骤3：将设备端运行出的结果回传至主机端，根据构象的分数对其进行排序，并利用BFGS方法对构象进行更精细的优化，输出最终排名较前的几个构象。

全文数据：

权利要求：

百度查询： 南京邮电大学 一种面向药物虚拟筛选的多线程协作的GPU加速方法