寻找锁与钥匙:从经典到AI,分子对接工具全图鉴

在药物研发的漫长征途中，分子对接（Molecular Docking）始终扮演着“红娘”的角色。它试图在数以亿计的小分子中，为蛋白质受体寻找那个最契合的“灵魂伴侣”。

从基于物理势场的传统算法，到如今深度学习下的“共折叠”革命，分子对接技术正经历着前所未有的范式演进。本文将带你一览当前主流的分子对接方法，解析它们的“独门绝技”与适用场景。

一、经典派：工业界的稳健基石

经典对接方法核心在于“搜索算法+打分函数”，它们通常将蛋白视为刚性或半刚性，在预设的口袋中寻找能量最低点。

1. Glide：学术与工业的“金标准”

作为Schrödinger 旗下的王牌，Glide 凭借基于网格（Grid）的算法和极高的预测精度，稳坐工业界头把交椅。

• 核心：提供 HTVS（高通量）、SP（标准）、XP（特高精度）三种模式。
• 优缺点：打分函数极其精细，能敏锐捕捉氢键和疏水作用；缺点是商业授权昂贵，对蛋白柔性处理有限。
• 适用场景：先导化合物的深度精修与商业级虚拟筛选。

2. AutoDock Vina：科研人员的“国民工具”

• 核心：迭代局部搜索与经验打分。
• 优缺点：免费开源、速度极快，是目前引用率最高的方法之一。但其打分函数相对简化，在处理复杂金属离子或共价结合时略显吃力。
• 适用场景：大规模分子库的初步过滤及基础学术研究。

3. FlexS：柔性分子的“手术刀”

• 核心：采用“碎片增量构建”法，将配体拆分再重新组装。
• 适用场景：专门应对那些拥有极多旋转键、构象极度复杂的长链分子。

二、 AI 进化派：打破传统束缚

当深度学习介入，对接不再仅仅是物理模拟，而变成了概率分布的推理。

1. DiffDock：盲对接的“导航仪”

• 核心：基于扩散模型（Diffusion Model）的生成式 AI。
• 优缺点：它最大的突破是不再需要预设“口袋”，能全蛋白搜索。但在局部物理结构的合理性（如原子重叠）上，有时不及经典方法。
• 适用场景：靶点结构未知或结合位点不明确的创新药研发。

2. Gnina：AI 赋能的“质检员”

• 核心：在经典 Vina 采样基础上，引入 CNN（卷积神经网络）进行重新打分。
• 优缺点：结合了物理采样的严谨和深度学习对复杂特征的识别。
• 适用场景：需要高精度打分，希望在 Vina 基础上进一步降低假阳性率。

三、共折叠派：下一代终极范式

这一派系彻底模糊了“对接”的界限，将蛋白和配体作为一个整体进行结构预测。

1. AlphaFold 3 (AF3)：跨界的统治力

• 核心：全原子扩散预测模型。
• 亮点：解决了困扰药化家几十年的“诱导契合（Induced  Fit）”难题。它能预测蛋白在结合配体后的形变，真正实现了动态响应。
• 场景：复杂复合物建模（蛋白–核酸–配体）及高难度靶点验证。

2. Boltz-2：开源界的新星

• 核心：类 AF3 架构，强调结构预测与亲和力评估的同步。
• 亮点：宣称能以极速完成接近物理金标准的亲和力预测，为开源社区提供了强力支持。

总结：如何选择你的“药学罗盘”？

为了方便大家决策，我们整理了以下对比表：

结语： > 没有任何一种算法是完美的。在实际研发中，往往采用“Vina初筛 -> Glide复筛 -> AF3验证”的阶梯式策略。随着算力与算法的迭代，我们离“精准预测药物活性”的梦想正越来越近。