[发明专利]一种面向药物虚拟筛选的多线程协作的GPU加速方法

权利要求书

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G Check和I Check判断；具体表现为：

G Check：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I Check；

I Check：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；

G Check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。

2.根据权利要求1所述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，所述步骤1中，主机端在设备端运行前的阶段，包括以下具体步骤：

步骤1.1：读取文件，由主机端读取配体分子和受体分子的.pdbqt文件，以及对接参数的config.txt文件；

步骤1.2：配置OpenCL环境，包括识别并选择平台、设备、创建OpenCL上下文、创建命令队列、创建内存对象、创建程序对象、创建内核对象、设置内核参数；

步骤1.3：生成网格缓存，用于通过三线插值法计算分子构象与受体的分子间能量；

步骤1.4：生成分子内能量表，用于计算构象的分子内能量；

步骤1.5：生成随机数表，用于生成随机数值；

步骤1.6：生成随机分子构象，用于作为设备端多线程协作的蒙特卡罗算法的初始构象；

步骤1.7：将前述步骤中产生的数据传递至设备端。

3.根据权利要求2所述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，所述步骤2.3.1中，对分子构象的position、orientation、torsion其中一个进行随机扰动，表示为：

对分子构象在搜索空间中的三维坐标position进行基于均匀分布随机数产生的扰动；

对分子构象orientation的四元数进行基于正态分布随机数产生的扰动；

对分子构象中可旋转键的扭转角度中某一具体维度值替换为一个符合均匀分布的随机数。