SweepANN réduit le criblage virtuel à 61 secondes

Une équipe d'infrastructure des données de l'Arizona State University, dirigée par Zhichao Cao, a réduit à environ 61 secondes une recherche de candidats-médicaments couvrant environ 500 millions de composés et plus de 26 000 poches protéiques. Le système, SweepANN, présenté en prépublication, accélère le tri virtuel en s'appuyant sur DrugCLIP, une méthode issue de travaux de l'université Tsinghua. DrugCLIP transforme les poches et les molécules en vecteurs mathématiques afin de comparer rapidement leurs affinités. Dans la découverte de médicaments, identifier les petites molécules capables de se fixer à des poches de protéines impliquées dans une maladie est une étape initiale. Les méthodes classiques simulent une à une les interactions de chaque composé avec chaque poche. Pour réduire ce coût, DrugCLIP encode les deux objets dans un même espace vectoriel et retient les paires dont les scores sont élevés. Les progrès précédents étaient déjà notables: une étude publiée dans Science avait réalisé, avec huit processeurs graphiques A100, plus de dix mille milliards de comparaisons entre 500 millions de molécules et plus de 20 000 poches en environ 24 heures. Pour Cao, cette durée reste trop lente pour des chercheurs qui ajustent sans cesse leurs cibles. L'équipe a donc cherché à rendre la recherche interactive plutôt qu'à refaire une grande tâche de calcul une seule fois. SweepANN conserve les vecteurs et la logique de DrugCLIP, mais concentre ses gains sur le stockage des processeurs graphiques, la lecture par lots et la gestion des longs classements. Les vecteurs de 768 dimensions sont comprimés en entiers 8 bits, ce qui réduit leur empreinte de 1,54 téraoctet à environ 387 gigaoctets. Les données tiennent ainsi dans quatre processeurs graphiques, et sont décompressées à la volée lors du calcul des scores. Pour éviter de relire la base à chaque poche, le système traite 64 poches en parallèle, ce qui augmente fortement le débit. Ensuite, il ne garde que les candidats supérieurs à une note plancher, définie à partir de blocs témoins. Cette approche évite de conserver ou de trier les millions de résultats inutiles. Des enchaînements d'opérations GPU préenregistrés réduisent aussi les lancements répétés. Dans l'expérience principale, après chargement des vecteurs, SweepANN extrait pour chaque poche les 500 000 meilleurs candidats en 61,04 secondes sur quatre processeurs graphiques RTX PRO 6000 Blackwell, avec un rappel moyen de 99,63 %: presque toutes les molécules qui auraient été retenues par un calcul exact non compressé restent présentes. La quantification et le chargement de la base ont demandé environ 502 secondes, mais ce coût peut être amorti si la même base est interrogée plusieurs fois. Selon Cao, cette vitesse pourrait changer le rythme de travail: proposer une cible, récupérer des candidats, passer à des calculs plus précis ou abandonner une piste si les résultats sont mauvais, avant de lancer des tests cellulaires ou animaux. La méthode ne remplace pas l'expérimentation biologique, mais elle cible le maillon qui prépare les essais. Les auteurs estiment que le même principe pourrait s'appliquer à d'autres systèmes où il faut retrouver des dizaines de milliers de voisins dans des bases très volumineuses.