在具有 32GB RAM 的单台消费级 RTX 4060 笔记本电脑上本地部署 DeepSeek 175B，以进行 20 万规模的蛋白质配体虚拟筛选

大语言模型 (LLM) 的最新进展在蛋白质-配体相互作用预测方面表现出了卓越的性能，但用于大规模虚拟筛选的最先进的管道几乎完全依赖于具有数百 GB 内存的高端 GPU 集群，这为小型学术团队创造了令人望而却步的硬件障碍。在这项工作中，我们提出了一个完全本地的低资源框架，该框架在配备 32GB 系统 RAM 和 8GB VRAM 的单个消费级 RTX 4060 笔记本电脑上部署 1750 亿参数 DeepSeek 175B LLM，完成跨 20 个不同蛋白质目标的完整 20 万规模蛋白质配体虚拟筛选工作流程。我们的实施在 72 小时内在相同的任务配置下实现了 8 卡 A100 集群基线的 100 倍吞吐量，所有目标的平均结合亲和力预测误差为 0.88 kcal/mol，满足临床前药物发现的 1.0 kcal/mol 化学精度要求。系统运行时分析表明，异构内存管理开销占总执行时间的 72%，而模型优化带来的准确性损失对总预测误差的影响不到 10%。这项工作验证了在消费类硬件上运行工业规模万亿参数 LLM 驱动的生物医学计算任务的工程可行性，为人工智能驱动的早期药物发现建立了新的低门槛范式。