nvMolKit：GPU加速的 RDKit 核心函数集

DRUGONE

过去 15-20 年间，传统的化学信息学工具逐渐难以跟上现代分子发现的需求。造成这一趋势的原因主要有三点：

• 可合成化学空间的指数级扩张
• 深度学习的崛起
• 基础模型的兴起

随着化学数据的快速积累与共享，以及合成可行性障碍的逐步消除，广阔的分子空间正逐渐变得触手可及。这为生成式化学和药物发现提供了前所未有的机遇。

RDKit 的瓶颈

在化学信息学中，RDKit 是应用最广泛的数据科学工具包之一，提供了分子操作、分析与可视化的完整功能，支撑着几乎所有基于 AI 的化学工作流。然而，随着数据与模型规模的急剧扩大，RDKit 基于 CPU 的计算逐渐成为高通量任务中的性能瓶颈。

为此，研究团队与 RDKit 开发者紧密合作，将关键函数迁移到 GPU 上，并显著加速其性能，推出了独立库 nvMolKit。

nvMolKit：GPU 驱动的性能飞跃

nvMolKit 直接对接 RDKit 的 C++ API，同时通过 Python 提供简洁接口，用户几乎可以将其作为 RDKit 函数的无缝替代。它保持了与 RDKit 相同的功能与精度，但在速度上实现了 1–4 个数量级的提升。

五大核心加速函数

• Morgan 指纹生成：在 H100 GPU 上可获得 5–8 倍加速。
• Tanimoto 相似度：在大规模（10k+）交叉相似度矩阵上，GPU 加速可达 4000 倍。
• 余弦相似度：提升高达 1750 倍。
• MMFF 力场几何优化：在 8 GPU vs. 112 CPU 的对比下，速度提升 25 倍。
• ETKDG 构象生成：实现 10–12 倍加速，且随着分子规模增加加速效果更显著。

这些结果不仅在 H100 上得以验证，在 A100 平台上同样展现出稳定的加速性能。

高通量应用的影响

高通量筛选与分子生成

加速的相似性计算对于虚拟筛选至关重要。研究人员可以快速在庞大化学空间中进行迭代探索，从而提高先导化合物发现效率。同时，在分子生成或类似物设计中，实时相似性约束也能成为可能，支持大规模专利空间分析和结构创新。

分子建模与性质预测

快速生成并优化三维分子结构是计算化学中的核心任务。借助 nvMolKit 的加速，研究人员能够高效进行：

• 配体-受体对接
• 构象优化与去除空间冲突
• 低能量构象筛选
• 配体应变能计算

这些操作为基于三维结构的分子性质预测奠定了坚实基础，加速了 AI 药物设计的下游工作流。

展望

nvMolKit 的代码已在 GitHub 开源(https://github.com/NVIDIA-Digital-Bio/nvMolKit)，并提供了完整的 API 文档(https://nvidia-digital-bio.github.io/nvMolKit）。

团队目前正在完善函数集的加速实现，并欢迎社区反馈更多亟待优化的计算瓶颈。未来，nvMolKit 有望成为化学信息学与生成式化学中不可或缺的高性能工具，进一步推动 GPU 驱动的药物发现新时代。

整理 | DrugOne团队

参考资料

• https://research.nvidia.com/labs/dbr/blog/nvMolKit/?ncid=so-twit-838593
• https://github.com/NVIDIA-Digital-Bio/nvMolKit

内容为【DrugOne】公众号原创｜转载请注明来源