Open-Source 4-Week SBDD Protocol on Desktop AI Hardware
Lee & Kim (Gene on Biotech / KRIBB School) — 2026 Manuscript — DGX Spark × 2 台で商用ソフト不要の構造ベース創薬
🎯 $4,699 DGX Spark × 2台 + 全OSS = アポ構造から20〜50実験候補を4週間で産出
① 動機と背景

商用SBDDプラットフォーム（Schrödinger等）の年間ライセンス費用は$50k〜200kに達し、学術グループや初期バイオテックには高障壁。一方でNVIDIA DGX Spark（$4,699、128GB統合メモリ）の登場とオープンソースツールの成熟により、「デスクトップサイズのAIハードウェアでの全OSS SBDD」が初めて現実的選択肢となった。

AI生成分子の50-70%が物理的に不正なポーズ — 品質ゲートなしでは実験コスト浪費
DGX SparkのARM64/sm_121は多くのツールが未対応 — 動作検証済みスタックの整備が必要
② 4週間プロトコル全体像
Week1: タンパク質準備 + MSMD
PDBFixer → PropKa → SSTMap → PocketMiner/P2Rank/FPocket → GROMACS MSMD
↓
Week2: フラグメントマッピング
GFN2-xTBグリッドスキャン → ORCA DLPNO-CCSD(T)/LED → 5-10 seed fragments
↓
Week3: AI分子生成 + 品質ゲート
DiffSBDD / Pocket2Mol / REINVENT4 → PoseCheck → QED → ADMET-AI → AiZynthFinder
↓
Week4: 多段スコアリング
Ensemble Docking → MM-GBSA → 10ns MD → Anti-target Selectivity → ProLIF Clustering
④ 主な結果 (a) DGX Spark パフォーマンス profile
0 100 200+ 213.7 FP8 Tensor 212.9 FP16 Tensor 31 FP32 CUDA 0.48 FP64 CUDA AI推論: 優秀 GROMACS MD: 十分 ab initio QC: 外部CPUへ TFLOPS (GB10 Grace Blackwell)
④ 主な結果 (b) AI生成分子フィルタリング効率
生成分子フィルタリングファネル 生成: 500〜2,000 分子 PoseCheck後: ~600〜800 薬様性後: ~400〜550 ADMET後: ~200〜300 合成可能: 150〜500 ⚠ 不正ポーズが50-70%のためPoseCheckが最重要ゲート
④ 主な結果 (c) ARM64動作検証済みOSSスタック
機能採用ツールARM64
タンパク質準備PDBFixer + PropKa✓
水熱力学SSTMap✓
MDGROMACS + OpenMM✓（要ビルド）
SQMGFN2-xTB✓
AI生成DiffSBDD/REINVENT4✓（PyTorch 2.7+）
ドッキングAutoDock Vina✓（pip版）
ADMETADMET-AI✓
Ab initioORCA✗→外部CPU
④ 主な結果 (d) フェーズ別リソース配分
DGX Spark 2台の役割分担（4週間） Week1 Week2 Week3 Week4 DGX #1 GROMACS MSMD MSMD解析 DiffSBDD OpenMM MD DGX #2 xTB+AlphaFold xTB+seed選定 REINVENT4 Vina + 解析 外部CPU ORCA LED MD計算 AI生成 スコアリング 外部QC 2台並列で4週間。1台のみの場合は6〜8週間に延長
⑤ テイクホームメッセージ
💻 $4,699で商用ソフト代替
DGX Spark（GB10, 128GB）2台で、年間$50-200kの商用プラットフォームと同等のSBDDワークフローを実現。学術・バイオテック向け民主化。
🔬 品質ゲートが必須
AI生成分子の50-70%は物理的不正ポーズ。PoseCheck→ADMET-AI→AiZynthFinderの4段フィルタが実験費用節約の鍵。
🧪 量子化学の精度を低コストで
GFN2-xTBグリッドスキャン（ARM CPU対応）＋ORCA LED分解で、フラグメントの結合特性を静電/分散成分に定量分離。
🔗 lib/*との直接統合
MSMD→lib/md、MM-GBSA→lib/fep、PoseCheck/ADMET→lib/molgen、アンサンブルドッキング→lib/dockingとして実装分割可能。
ケムインフォマティクスへの応用
適用先実装内容
lib/dockingアンサンブルドッキング + ProLIF指紋クラスタリング
lib/molgenPoseCheck + ADMET-AI品質ゲート統合
lib/mdMSMDコソルベント密度マッピング
lib/fep10ns MDポーズ安定性チェック追加

GNINA等のARM64非対応ツールを使用している場合は本プロトコルのツール置換表（Table 2）が参考になる

限界点・今後の課題
実ターゲットでの end-to-end 実施例がなく性能主張は先行文献の組み合わせ
ORCA LEDのみ外部CPUクラスター必要（完全クローズド運用が不可）
FP64が0.48 TFLOPSのため高精度FEPには不向き
実装コード・GitHubリンク未公開（manuscript段階）
Lee & Kim — Gene on Biotech / KRIBB School (UST), Daejeon, Republic of Korea — 2026 Manuscript · Category: computational_chemistry