用 AutoDock4 + AutoDockTools 打造一条“可复现”的分子对接流水线（3D/2D 相互作用图、能量分布图、聚集热图、表面作用力图） 药物发现/虚拟筛选 批量对接

引言： 做 分子对接、虚拟筛选 ，最终都是想得到结合比较好的构象，也就是如下图： （结合能分布直方图、 二维相互作用图 与 表面 / 静电势可视化 ） 找到物理上合理、在统计上稳定、并具有 较好亲和力的结合构象（binding pose） ，从而使用 PyMOL 等可视化工具得到 可发表文章的图 ； 文章最后提供六种核心图例； 1.png 2.png --- 一、Docking 是什么，不是什么 是什么 ：在近似势能与采样策略下，预测小分子配体在受体结合口袋中的 构象与相对亲和力 （打分值）。 不是什么 ：打分不是严格意义的自由能；预测亲和力和实验 ΔG / IC₅₀ 之间通常只具 排序相关性 ，需要 基准验证 与 二次重打分 / 精修 。 --- 二、必须先说清的“基准” 2.1 Redocking（重对接） 定义 ：将 共晶配体 从晶体结构中移除后，使用对接引擎把该配体重新对接回同一受体位点。 指标 ： 构象 RMSD（Å） ：预测 pose 与晶体 pose 的重原子 RMSD； ≤ 2.0 Å 常作为成功阈值。 Top-1 / Top-n 成功率 ：最高分的 pose 是否即为成功（Top-1），或在前 n 个中是否出现成功（Top-n）。 意义 ：验证 位点定义、力场 / 打分与采样参数 是否能“找回”已知正确答案。 公式（重原子配对的 RMSD）： 3.png 其中配对可通过最大公共子结构（MCS）完成，以避免原子顺序差异。 2.2 Cross-docking（交叉对接） 定义 ：用 不同构象 / 不同复合物 的同一靶蛋白去对接某个配体。 意义 ：更贴近现实（受体柔性），检验 口袋构象变化 对对接稳健性的影响。 2.3 虚拟筛选（Virtual Screening, VS） 任务 ：在含 活性分子（actives） 与 惰性分子（decoys） 的混合集合上评估 筛选能力 。 常用指标 ： ROC-AUC 、 PR-AUC EF1% / EF5% （前 1% / 5% 的富集因子） BEDROC(α) （对早期识别加权） 数据集例 ：DUD-E、DEKOIS 2.0、LIT-PCBA 等（按你项目选择其一并固定版本）。 只有在 redocking / VS 指标达标后，再谈大规模筛选与后续实验更靠谱。 --- 三、其他常用开源对接软件（横向对比） | 工具 | 特点 | 适用场景 | | --- | --- | --- | | AutoDock4 | 经典 LGA + 经验打分；参数可控、生态成熟 | 基线验证、教学、可复现生产 | | AutoDock-GPU | AD4 打分 + GPU 加速 | 大规模并行 | | AutoDock Vina 1.2.x / smina | 更快的采样 + 经验打分；smina 可自定义项 | 快速筛选、二次重排 | | GNINA | Vina + CNN 重打分 | 提升 top-n / 排名质量 | | rDock | 轻量、GPL | 灵活工作流 | | UCSF DOCK 6 | 学术许可、模块化 | 研究型流程 | 实战中常用“ AD4 基线 + Vina / smina / GNINA 重排 ”的组合，并做交叉验证。