Key points are not available for this paper at this time.
يُعتبر AutoDock Vina أحد أكثر أدوات الربط الجزيئي شهرة. في أحدث معيار CASF-2016 لتقييم الوظائف التقييمية، فاز AutoDock Vina بأفضل قدرة ربط بين جميع أدوات الربط. يواجه اكتشاف الأدوية الحديث سيناريو شائع يتمثل في فرز افتراضي كبير لنتائج الأدوية من قواعد بيانات مركبات ضخمة. نظرًا لطبيعة تسلسل خوارزمية AutoDock Vina، لا يوجد تقرير ناجح عن تسريعها بالتوازي باستخدام وحدات معالجة الرسومات. يعتمد تسريع AutoDock Vina حاليًا عادةً على تجمع قوة الحوسبة وكذلك تخصيص الموارد والمهام، مثل منصة VirtualFlow. ستحد نفقات الموارد الضخمة والحد الأدنى العالي للوصول من شعبية AutoDock Vina ومرونة استخدامه في اكتشاف الأدوية الحديث. في هذا العمل، اقترحنا طريقة جديدة، Vina-GPU، لتسريع AutoDock Vina باستخدام وحدات معالجة الرسومات، والتي تُعد ضرورية للغاية لتقليل الاستثمار للفرز الافتراضي الكبير وكذلك لمزيد من التطبيقات في الفرز الافتراضي على نطاق واسع على أجهزة الكمبيوتر الشخصية، الخوادم المكتبية أو الحوسبة السحابية، إلخ. تستند الطريقة المقترحة إلى تعديل لتقنية مونت كارلو باستخدام خوارزمية التلدين الاصطناعي. تزيد هذه الطريقة بشكل كبير من عدد التشكيلات العشوائية الأولية وتقلل من عمق البحث لكل خيط. علاوة على ذلك، تم اعتماد مُحسِّن كلاسيكي يُسمى BFGS لتحسين تشكلات الجزيئات خلال عملية الربط، قبل تطوير تنفيذ OpenCL غير متجانس لتحقيق تسريعها بالتوازي مع الاستفادة من الآلاف من نوى وحدة معالجة الرسومات. تُظهر اختبارات معيارية كبيرة أن Vina-GPU تصل إلى معدل تسريع قدره 21 ضعفًا ومتوسط 50 ضعفًا في الربط مقارنة ب AutoDock Vina الأصلي مع ضمان دقتها العالية في الربط، مما يشير إلى إمكانياتها في تعزيز شيوع AutoDock Vina في عمليات الفرز الافتراضي الكبيرة.
درس تانج وآخرون (Mon،) هذا السؤال.