从一条校园新闻说起
2024年6月，华中科技大学新闻网发布了一条消息：药学院姜凤超教授课题组与同济医学院附属同济医院周平教授课题组合作研发的1.1类小分子MyD88自免抑制剂INNA1605软膏，获国家药品监督管理局颁发的新药临床批件。这类药物针对的是固有免疫系统的TLR/MyD88信号通路——自身免疫性疾病、慢性炎症、神经退行性病变的共同根源靶点之一。
这条新闻里有一个容易被忽略的细节：课题组是利用计算机辅助设计技术设计出系列小分子抑制剂的。围绕这个靶点，团队累计发表SCI论文27篇，获得国际国内发明专利9项。换句话说，这个走进临床阶段的候选药物，起点得先在屏幕里跑通分子对接与动力学模拟，然后才轮得到实验台。
这就是当代药物研发的常态：计算设计已经和合成测试并排站在新药管线里。问题在于，不少药学课题组对算力的理解还停留在”装几个软件就能跑”的阶段。药物设计大概是对算力梯度最敏感的方向之一——同样的研究方向，算力差一档，能做的课题深度就不在一个层级。这篇文章把这笔账算清楚。
疑问一：药物设计到底”吃”什么硬件
计算机辅助药物设计有一条清晰的计算阶梯，每一级的硬件胃口都不一样。
第一级：分子对接。 给定靶点蛋白的三维结构，把小分子放进结合口袋，用打分函数评估结合模式，再从上百万个化合物里筛出候选。主流工具如Glide、AutoDock Vina都支持把计算铺开，单个任务耗时不高，靠的是批量并行。百万级化合物的虚拟筛选，瓶颈常常落在任务调度和存储吞吐上。
第二级：分子动力学模拟（MD）。 对接给出的是静态快照，真实的蛋白-配体复合物在溶液里每时每刻都在运动。MD用经典力场模拟原子运动，时间步长只有2飞秒量级，想观察到有意义的构象变化，模拟时长至少要跑到微秒级——折算下来是数亿个积分步。GPU加速之后，一个十万原子左右的体系，主流显卡一天能跑出上百纳秒；想攒够微秒级轨迹，或者跑多个复本做统计，就得让机器长时间满载。
第三级：自由能微扰（FEP）。 这是定量预测里的尖刀：通过热力学循环计算配体之间的相对结合自由能，精度够高，能帮化学家判断”换掉哪个基团、活性会涨几倍”。代价是计算量数量级上涨——每个候选化合物都要搭一条扰动路径，几十个λ窗口逐个采样，一个项目周期以周计。行业里FEP能把先导优化的合成-测试轮次砍掉大半，前提是算力跟得上。
把三级阶梯放在一起看，硬件瓶颈的迁移路径很清楚：对接看并行效率，MD看单卡持续算力，FEP看GPU数量与运行稳定性。药物设计工作站的配置因此很难一步到位，也很难一台机器打天下，得先认清自己主要卡在哪一级。
疑问二：AI生成模型进场后，算力账变了吗
变了，而且变动不小。
2025年8月，四川大学华西药学院李国菠教授团队在《自然·计算科学》发表了PhoreGen方法：一种基于扩散模型的药效团导向3D分子生成技术。模型把配体-药效团匹配的先验知识融进消息传递网络，生成满足特定药效团约束的三维分子。团队在耐药菌的金属-β-内酰胺酶和丝氨酸-β-内酰胺酶上，用这套生成方法找到了纳摩尔级的新型抑制剂，X射线晶体衍射揭示的结合模式与分子生成的预测高度一致。
这类成果释放了一个明确信号：化学空间的探索方式正在从”筛库”转向”生成”。传统虚拟筛选是从现有化合物库里挑分子，库有多大，天花板就有多低；生成模型按靶点需求现造分子，理论上跳出了库的限制。再配合AlphaFold这类结构预测工具，许多过去”无结构可用”的靶点也进入了可计算的范围。
生成的背后是训练与推理的海量矩阵运算。扩散模型每采样一次都要经历多步去噪，生成带三维构象的分子比生成文本更占显存；想在课题组自己的数据上微调生成模型，对显存和算力的要求再上一个台阶。AI药物设计把显卡从可选项变成了硬门槛。
大模型内部部署：给课题组配一个文献挖掘与分子性质预测助手
药物设计的日常里还藏着一块隐性工作量——大量文献阅读、专利检索、性质预测记录整理。越来越多课题组把开源大模型部署在本地，做一个随叫随到的助手。
为什么强调本地部署。其一，课题组的未公开靶点结构、在研化合物库、实验记录属于核心研究数据，上传云端接口存在泄密风险；其二，课题组常年累月使用，本地推理的长期成本远低于按调用量计费的云端服务；其三，药学数据有合规要求，数据不出内网是最稳妥的底线。
模型选型上，Qwen2.5-14B-Instruct是务实之选。这是通义千问2.5系列的指令微调版本，约147亿参数，48层网络结构，采用分组查询注意力压缩推理显存，支持32K上下文长度，一次能吞进数篇文献全文做摘要与比对。只做轻量级问答的话，同系列的Qwen2.5-7B-Instruct也够用。
估算显存有个简单公式：
所需显存 ≈ 参数量(B) × 量化字节数 × 1.2
其中1.2是上下文缓存与运行时开销的预留系数。以Qwen2.5-14B-Instruct为例算两笔账：
- FP16（2字节/参数）：14.7 × 2 × 1.2 ≈ 35 GB。权重本体约29.5 GB，想从容运行并留出长文档空间，需要40 GB以上的显存。
- Q4量化（0.5字节/参数）：14.7 × 0.5 × 1.2 ≈ 9 GB，与实测Q4格式约10 GB基本吻合。16 GB显存的显卡即可流畅运行，还能留足上下文余量。
量化三档怎么取舍：FP16精度无损但显存翻倍，一般留给基准测试；Q8接近无损，适合对精度敏感的批量处理；Q4体积只有FP16的四分之一，精度损失在多数问答场景几乎无感，是本地部署的默认选择。
速度上要有心理预期：纯CPU推理受内存带宽限制，通常每秒只能生成几个词元，读一段摘要都费劲；换到单张中端GPU，解码速度能拉到每秒几十到上百个词元，长文献的摘要、比对、问答才能真正做到提问即答。
还要区分推理和微调。用LoRA做领域适配——比如让模型熟悉课题组的小分子命名规范和实验记录格式——显存增量只有几GB，14B模型在24 GB显存以内就能完成；而全参数微调的显存需求是推理的数倍，7B模型就需要80 GB以上。对大多数课题组，LoRA适配加检索增强已经足够，这条分水岭也决定了配置档位能否继续上探。
疑问三：软件生态会怎样反过来影响配置
药物设计的软件分两大阵营，选型和硬件投入直接相关。
商业阵营以Schrödinger Suite为代表：Glide负责对接，Desmond负责MD，FEP+负责自由能计算，从前处理到结果分析全链路图形化，上手门槛低，适合以结果为导向的药化团队。要留意的是，商业软件的授权常按核数或GPU卡数计费，配机器时若把授权模式漏算进去，容易出现硬件到位、软件却跑不满的尴尬。
开源阵营以GROMACS、AMBER为核心，AutoDock Vina负责快速对接，AlphaFold、RoseTTAFold负责结构预测，再配上RDKit、DeepChem这类化学信息学工具链。开源方案零授权费，但对使用者的编译、调参、排错能力要求高，适合有计算背景的团队。
两条路线各有拥趸，不少课题组采取混合打法：商业软件出关键结果，开源工具做批量预研。无论选哪条，软件清单都应该在下单硬件之前先定下来。
从算法到机器：四档参考
从靶点确认到先导优化，药物设计要穿过对接、MD、FEP和AI生成四级算力阶梯，中间还夹着大模型文献助手的日常负载。不同规模的课题组卡在阶梯的不同位置，对硬件的胃口自然不同。结合前面分析的瓶颈分布，我们把几种典型负载形态整理成四档参考，每档列出适用场景、推荐机型与核心硬件参数，供规划设备时对照自己的任务规模。
入门档
适用场景：分子对接、百万级虚拟筛选、小体系短时长MD、本科毕设与课程训练
推荐机型：A350 15396-MCT
- CPU：Intel Core Ultra 7 265K，20核（8性能核全核5.3GHz/12能效核全核3.8GHz）（5.3GHz与3.8GHz均为全核超频实测优化频率）
- GPU：RTX 5090 32G 水冷
- 显存：32GB GDDR7，512bit
- 显存带宽：1.79 TB/s
- 内存：96GB DDR5
- 存储：4TB NVMe
进阶档
适用场景：常规MD模拟、自由能微扰计算、Schrödinger全链路建模
推荐机型：GR450P 148192-MCC
- CPU：AMD锐龙TR 7980X，64核4.8GHz（4.8GHz为全核超频实测优化频率）
- GPU：RTX 4000 ada 20GB
- 显存：20GB
- 显存带宽：640 GB/s
- 内存：192GB DDR5
- 存储：系统盘：4TB NVMe
- 存储：数据盘：8TB SATA
专家档
适用场景：大规模MD复本采样、AI分子生成模型训练与微调、十亿级虚拟筛选
推荐机型：GX660M 227256-MC4T
- CPU：2×Xeon金牌6530，64核2.74GHz（2.74GHz为全核超频实测优化频率）
- GPU：4×RTX 4090 48G 水冷
- 显存：48GB GDDR6X，384bit（四卡共192GB）
- 显存带宽：4×1.01 TB/s
- 内存：256GB DDR5
- 存储：系统盘：4TB NVMe
- 存储：数据盘：20TB SATA
平台档
适用场景：课题组共享平台、大模型内部部署接口服务、多模型并发推理
推荐机型：GE430M 135384-MC4T
- CPU：AMD霄龙7763，64核3GHz（3GHz为全核超频实测优化频率）
- GPU：4×RTX 4090 48G 水冷
- 显存：48GB GDDR6X，384bit（四卡共192GB）
- 显存带宽：4×1.01 TB/s
- 内存：384GB DDR4
- 存储：系统盘：4TB NVMe
- 存储：数据盘：20TB SATA
常见问题
笔记本能承担药物设计计算吗
演示性质的对接可以，正经的课题计算不行。笔记本的散热设计撑不住MD求解器的持续满载，CPU会降频，算例跑到一半过热降速是常态；显存容量也装不下稍大体系的模拟。偶尔跑教学案例没问题，把它当生产工具会耽误事。
分子对接和分子动力学，哪个更吃显卡
两者吃的点不同。对接吃的是并行吞吐量，任务拆得开，核多就快；MD吃单卡的持续算力和显存容量，体系越大、模拟越长，对显存和散热的压力越集中。自由能微扰更进一步，靠多卡分担λ窗口才能缩短周期。简单说：对接堆核，MD堆卡，FEP堆卡还堆时间。
自由能微扰计算为什么动辄要跑几周
FEP的计算量是λ窗口数、复本数和采样时长的乘积。每个候选配体要搭一条扰动路径，每条路径几十个窗口，每个窗口又要足够的采样时长才能保证自由能收敛。项目里动辄几十上百个配体，组合起来就是数周的连续计算。想压缩周期，只有增加GPU数量和优化调度两条路。
课题组不做AI方向，也需要部署大模型吗
值得考虑。文献挖掘与分子性质预测助手对所有做药物设计的团队都有用，每天省下的检索和整理时间是实打实的。而且门槛已经很低：14B模型的Q4量化版本只需16 GB显存，入门档机器顺带就能跑起来，不必为它单独立项。
商业软件授权和硬件配置有什么关系
关系直接。Schrödinger这类商业套件按核数或GPU卡数授权，同样一笔预算，硬件买多了可能授权跟不上，硬件买少了又浪费授权额度。下单前先和软件代理核对授权粒度，按授权边界倒推硬件规模，比反过来做要省得多。
第一台工作站买塔式还是机架式
放实验室工位就用塔式，静音和体积都合适；有机房条件再考虑机架式，散热和扩展空间更充裕。多数药学课题组第一台都是塔式，等任务量上来、机器要集中管理了，再向机架式或集群过渡。
结语
回到开头那条新闻。INNA1605从计算机里的分子设计走到临床批件，背后是27篇论文和多年的系统研究；而对更多课题组来说，算力决定了能不能进入这条管线、能走多快。药物设计的计算阶梯还在往上长——AI生成、结构预测、自动化实验闭环，每一级都需要更结实的硬件底座。先把底座搭好，剩下的交给科学。
