开发者：罗柯生信
范围：LKDock v1.0 / v2.0 / v3.0
内容：对接引擎、PPI 引擎、口袋预测、功能、算法、项目来源

一、版本功能总览

二、Python 依赖对比

2.1 环境基础

2.2 软件依赖

三、小分子对接引擎

3.1 AutoDock Vina

功能：小分子-蛋白刚性/半柔性对接 – 基于梯度优化的构象搜索 – 多构象输出（num_modes） – 支持 exhaustiveness 调节搜索强度

算法：全局搜索：迭代局部搜索（Iterated Local Search），结合随机扰动与局部优化 – 局部优化：BFGS（Broyden–Fletcher–Goldfarb–Shanno）拟牛顿法 – 评分函数：基于知识的经验势函数，包含立体效应（Gauss + Repulsion）、氢键、疏水作用、可旋转键惩罚 – 输出：结合自由能 ΔG (kcal/mol)

3.2 Smina

功能：全部 Vina 功能 + 可自定义评分函数权重 – 支持 58 种评分项（Gauss、电静力、AutoDock4 去溶剂化等） – 柔性侧链对接 – 改进的金属离子处理 – 非 PDBQT 配体文件直接读取（自动计算部分电荷）

算法：继承 Vina 的 ILS + BFGS 框架 – 扩展评分函数：支持加权线性组合自定义评分项 – 可用于重新打分（rescoring）和约束对接

3.3 Vina-GPU 系列

3.3.1 Vina-GPU

功能： 基于 OpenCL 的 GPU 加速 AutoDock Vina – 支持 NVIDIA / AMD / Intel GPU – 单配体对接加速

算法：将 Vina 的蒙特卡洛+局部优化并行化到 GPU – OpenCL 内核实现梯度计算和评分函数

3.3.2 Vina-GPU+

功能： Vina-GPU 的增强版，进一步加速 – 支持单受体-多配体批量对接 – 优化 OpenCL 内核

3.3.3 Vina-GPU 2.0 / 2.1

功能：集成 Vina-GPU+、QuickVina2-GPU、QuickVina-W-GPU 三种方法 – 进一步优化精度和速度的平衡

算法：双层并行：搜索步骤级并行 + 配体级并行 – 优化的 OpenCL Kernel（Kernel1_Opt.bin/ Kernel2_Opt.bin）

3.4 QuickVina 系列（GPU）

3.4.1 QuickVina2-GPU

功能：在 Vina 基础上引入”首次成功停止”策略，减少冗余搜索 – GPU 加速版支持 OpenCL 并行

算法： QuickVina2 核心：允许局部搜索在找到足够好的构象后提前终止 – 搜索空间分解 + 并行蒙特卡洛 – 保持 Vina 评分函数精度，速度提升约 20.49 倍（CPU 版 vs Vina）

3.4.2 QuickVina-W-GPU

功能：蛋白-配体盲对接（无需指定结合位点） – 进程间时空整合策略（Inter-Process Spatio-Temporal Integration）

算法：将搜索空间划分为多个重叠子空间 – 各子空间并行搜索后整合 – GPU 版进一步在每个子空间内并行化

3.5 Uni-Dock

功能：AutoDock Vina 的 GPU 加速版，V100 GPU 上可达 >2000 倍加速 – CPU 全局搜索：macOS/Linux/Windows 均可无 GPU 运行完整单配体对接 – GPU 批量虚拟筛选：--gpu_batch支持大规模配体库筛选 – 支持 vina、vinardo、ad4三种评分函数 – 配体索引文件模式（--ligand_index） – 兼容 Vina 命令行格式，可低成本替换

算法继承 Vina 评分函数和 ILS+BFGS 搜索框架 – CUDA 并行化：将多配体的蒙特卡洛搜索映射到 GPU 线程块 – 批量模式下在单次 GPU 调用中同时处理数百个配体。

3.6 UniDock-Pro

功能（在 Uni-Dock 基础上新增）：相似度引导对接：--reference_ligand+ --similarity_searching– 混合模式：--hybrid_mode（相似度搜索 + 自由对接结合） – 详细能量分解：输出分子间能量、内部能量、扭转自由能 – GPU 批量虚拟筛选 – macOS CPU 模式支持打分（--score_only）和局部优化（--local_only）

算法：继承 Uni-Dock 核心（Vina 评分 + CUDA 并行） – 新增相似度引导：参考配体的形状/药效团约束注入搜索过程 – 混合模式在无偏搜索和有偏搜索之间自适应切换。

3.6.1 LK-UniDock（源码补丁与跨平台二进制发行）

✅ LKDock v3.0 的 Uni-Dock / UniDock-Pro 源码同步与可执行文件发布项目
GitHub：LK-Studio1128/LK-UniDock
Release：LK-Studio1128/LK-UniDock/releases/tag/v1.0.0

定位与目标

LK-UniDock 不是新的对接算法，而是围绕 Uni-Dock v1.1.3 与 UniDock-Pro v0.0.1 建立的 LKDock 专用源码补丁、跨平台构建与预编译发行工程。其目标是解决上游项目在实际 GUI 分发与终端用户使用中的三个关键问题：

1. Windows GPU 二进制缺失：上游 Uni-Dock / UniDock-Pro 不提供可直接运行的 Windows GPU 版；LK-UniDock 提供 Uni-Dock-GPU.exe与 UniDock-Pro-GPU.exe。
2. 运行库依赖复杂：传统 Windows 构建容易依赖 CUDA Runtime、Boost DLL、MSVC CRT、VC++ Redistributable 等大量外部组件；LK-UniDock 使用可移植编译方案，将 Boost、MSVC CRT、CUDA Runtime 静态嵌入，分发时仅需 exe + vcomp140.dll。
3. MSVC + CUDA 编译兼容性问题：上游源码在 Windows CUDA 编译时会因 Boost filesystem 进入 CUDA translation unit 而报错；LK-UniDock 通过 __CUDACC__守卫、头文件拆分与 CMake 选项修复该问题。

仓库结构

LK-UniDock/
├── Uni-Dock-main/        # 已补丁化的 Uni-Dock v1.1.3 源码
├── UniDock-Pro-main/     # 已补丁化的 UniDock-Pro v0.0.1 源码
└── UniDock/              # 预编译二进制发行目录
    ├── UniDock-macos-arm64/
    ├── UniDock-linux86/
    └── UniDock-win64/

平台二进制发布包

Windows GPU 可移植版特性

支持的 GPU 架构

相对上游源码的关键补丁

对 LKDock 的意义

• 降低用户部署门槛：Windows 用户无需安装 CUDA Toolkit、Boost、Visual Studio 或 VC++ Redist，仅需 NVIDIA 驱动。
• 增强 v3.0 GPU 批量筛选能力：配合 LKDock 中的 Uni-Dock GPU 批调度逻辑，可通过 --ligand_index复用受体网格与 CUDA context 初始化成本，避免”每个配体启动一次引擎”造成的性能浪费。
• 提升源码可维护性：将跨平台构建脚本、许可证、CI、补丁说明集中在 GitHub 项目中，便于后续版本追踪与社区复现。
• 保持算法一致性：核心搜索算法与评分函数不改动，结果仍与 Uni-Dock / UniDock-Pro 同源；LK-UniDock 主要解决工程可用性、平台兼容性和发行可靠性。

3.7 小分子引擎对比总表

3.7.1小分子对接引擎——评分函数对比

评分函数说明： – Vina 评分函数：5 项加权线性组合——两个 Gauss 项（引力）、一个 Repulsion 项（排斥）、一个 Hydrophobic 项（疏水）、一个 HBond 项（氢键），最终加可旋转键惩罚 – Vinardo 评分函数（Uni-Dock）：去除 Gauss2，简化项数，权重重新拟合，对某些体系更鲁棒 – AD4 评分函数（Uni-Dock/LKina）：使用 AutoDock4 格点映射（affinity maps），兼容 AD4 工作流；LKina 将 AD4 扩展为内联 AG4 金属格点与响应式共价约束 – Smina 自定义评分：通过 --custom_scoring <weights_file>指定 58 项中任意子集的权重文件

3.7.2 Vina 1.2.7 评分项权重（–help_advanced 输出）

3.7.3全部可用评分项（smina –print_terms 输出，共 27 项）

3.7.4小分子对接引擎——运行速度对比（官方基准数据）

说明：以上数据为各引擎官方论文/README 中报告的典型基准值，实际运行时间因受体大小、配体柔性、exhaustiveness 设置和硬件而异。Vina-GPU 系列的加速比基于 OpenCL（跨厂商），Uni-Dock 的加速比基于 CUDA（仅 NVIDIA）。

3.7.5小分子对接引擎——搜索算法对比

关键差异总结： 1. Vina/Smina：纯 CPU，适合小规模精确对接 2. Vina-GPU 系列：OpenCL 加速，支持 NVIDIA/AMD/Intel GPU，适合中等规模筛选 3. QVina 系列：在 Vina 搜索策略上做了智能优化（提前停止/空间分解），速度显著提升 4. Uni-Dock / LK-UniDock：CUDA 深度优化，仅支持 NVIDIA GPU，批量筛选性能最强（>2000x 加速），LK-UniDock 重点解决跨平台源码补丁与预编译发行 5. LKina：面向金属配位与共价对接，继承 Vina 搜索框架并扩展 AD4/AG4、金属伪原子和 reactive 约束

3.8 LKina（金属 + 共价对接引擎）

✅ LKDock v3.0 的金属配位与共价对接核心引擎（AD4 路径）
GitHub：LK-Studio1128/LKina
Release v1.0.0：LK-Studio1128/LKina/releases/tag/v1.0.0

核心能力（相对 Vina 1.2.7 的扩展）

• 113 AD4 原子类型 + 4 伪原子（TZ / SQ / MH / JT），覆盖 80+ 金属/类金属
• 内联 AG4 格点生成：无需外部 autogrid4可执行文件
• BVS 氧化态自动推断：Fe / Cu / Mn / Co / V / Mo / Ni 的 +2 / +3 / +4 / +6 自动识别
• Jahn-Teller 变形模式：Cu²⁺（d⁹）、Mn³⁺（d⁴）拉长八面体
• 半显式水桥候选位点：配位不饱和处的 M–O(water) 几何后处理评分
• 响应式共价对接 P1–P4：距离约束 + 角度约束 + 帧原子扭转 + 混合 vdW 缩放
• C3 两阶段策略：Phase-1 无约束 MC 预采样 → Phase-2 带约束 L-BFGS 精化
• 6 种反应预设：cys_michael/ cys_sn2/ ser_covalent/ lys_targeting/ boronic_acid/ tyr_covalent
• Metal Bias（O5）：向受体金属中心注入软 Gaussian 吸引子，适合金属靶点快速筛选
• 金属作为配体：reverse metal-donor pair potentials（参考 MetalDock standard_set）
• 完全向后兼容：对不含金属、不触发共价的标准受体，行为与 Vina 1.2.7 一致

典型 CLI

# 1. 标准 Vina 评分（与上游等价）
LKina --receptor rec.pdbqt --ligand lig.pdbqt \
      --center_x 0 --center_y 0 --center_z 0 \
      --size_x 20 --size_y 20 --size_z 20 --out out.pdbqt

# 2. 内联 AD4 + 自动金属识别（Zn 金属酶）
LKina --scoring ad4 --generate_maps \
      --receptor carbonic_anhydrase.pdbqt --ligand inhibitor.pdbqt \
      --center_x 14.68 --center_y 32.38 --center_z 10.64 \
      --size_x 25 --size_y 25 --size_z 25 --out out.pdbqt

# 3. Cys 迈克尔加成共价对接
LKina --scoring ad4 --generate_maps \
      --receptor egfr.pdbqt --ligand afatinib.pdbqt \
      --center_x 18.2 --center_y 54.1 --center_z 25.7 \
      --size_x 20 --size_y 20 --size_z 20 \
      --reactive_preset cys_michael \
      --reactive_rec_atom A:797:SG --reactive_lig_atom index:12 \
      --reactive_frame_atom A:797:CB --reactive_two_step --out out.pdbqt

许可证结构

• Apache-2.0 ↔ GPL-3.0 兼容性：FSF 官方确认。
• AutoGrid4 either version 2 of the License, or (at your option) any later version条款允许升级到 GPL-3.0。
• 每个扩展源文件均带独立许可证头 + SPDX 标签 GPL-3.0-or-later。

四、蛋白-蛋白对接（PPI）引擎

PPI 功能仅在 LKDock v3.0 中引入。

4.1 LightDock（Python）

功能：蛋白-蛋白、蛋白-肽、蛋白-DNA 对接 – 多种评分函数（DFIRE, DFIRE2, CPyDock, PISA, FastDFIRE 等） – 支持 ANM（各向异性网络模型）柔性对接 – 约束对接（残基限制） – 多核并行（MPI / multiprocessing） – Swarm 分布式搜索

算法：GSO（萤火虫群优化，Glowworm Swarm Optimization）：全局搜索 – 搜索空间：在受体表面生成多个 swarm，每个 swarm 包含多个 glowworm – 每个 glowworm 携带一个 6D 刚体变换（3 平移 + 3 旋转用四元数表示） – ANM 模式下额外加入主链柔性自由度 – 局部优化通过评分函数梯度引导。

4.2 LKlight

✅ LKDock v3.0 当前首选 PPI 引擎（取代原 lightdock-rust）
GitHub：LK-Studio1128/LKlight
Release：LK-Studio1128/LKlight/releases/tag/v1.0.0

主要功能

• 12 类评分函数、13 个命令行方法名：dfire / fastdfire / dfire2 / dna / mj3h / pydock / cpydock / vdw / sd / pisa / sipper / tobi / ddna
• ANM 柔性对接：各向异性网络模型，受体/配体分别支持多个模式向量
• 对接类型：蛋白-蛋白、蛋白-肽、蛋白-DNA/RNA、抗体-抗原、跨膜蛋白
• 约束对接：支持 restraints_file指定活性/被动残基限制
• 单文件自包含二进制：无需 Python 环境或外部参数文件
• 跨平台：macOS arm64 / Linux x86-64 / Windows x86-64

修复的上游 Bug（相对 lightdock-rust）

多层次性能优化

评分函数完整列表（vs lightdock-rust）

基准测试数据（macOS arm64, Apple Silicon）

条件：swarm_0，200 glowworms，100 steps，n = 3 次均值

LKDock v3.0 集成配置

CONFIG["ppi"]["engine"]              = "lklight"
CONFIG["ppi"]["lklight_exe"]         = "..."
CONFIG["ppi"]["lklight_concurrency"] = 0

• GUI 引擎下拉框：["lklight", "alphafold"]，默认 lklight
• 评分函数下拉框：auto / fastdfire / dfire / dfire2 / cpydock / dna / ddna / pisa / vdw / sipper / tobi / mj3h
• 内存预算：_ppi_engine_mem_profile()返回 ("lklight", 0.2 GB/任务)
• 历史展示名兼容：保存的 "lightdock"引擎字符串加载时自动规范化为 "lklight"

4.3 ColabFold / AlphaFold2

功能： 蛋白质结构预测（单体/多聚体） – AlphaFold2-Multimer：直接预测蛋白复合物结构 – ColabFold 封装 AlphaFold2 + MMseqs2 快速序列比对 – 支持 model_type、num_models、num_recycle参数 – 可作为 PPI 对接的”结构生成器”

算法： Evoformer：多层注意力网络处理 MSA（多序列比对）和 pair representation – Structure Module：迭代细化 3D 坐标 – Recycling：多轮迭代提升预测质量 – Multimer 模式：扩展 pair representation 支持链间交互 – MMseqs2 替代 Jackhmmer 加速序列搜索

安装：ColabFold需要使用conda安装，先安装conda软件（Miniforge3/Miniconda3/Anconda等）

conda create -n colabfold -c conda-forge -c bioconda python=3.13 kalign2=2.04 hhsuite=3.3.0 mmseqs2=18.8cc5c

conda activate colabfold

# With CUDA GPU support

pip install colabfold[alphafold,openmm] jax[cuda] openmm[cuda12]

# CPU only

pip install colabfold[alphafold,openmm]

# For colabfold_search only (no structure prediction)

pip install colabfold

4.4 PPI 引擎对比总表

对比说明：

LKlight vs LightDock-Rust：算法同源，但 LKlight 修复上游 Rust 基线问题，补齐 VDW/SD/PISA/SIPPER/TOBI/DDNA 等能力，并通过 rayon 并行和热路径优化显著提速。

LKlight vs ColabFold：定位不同。LKlight 是传统基于物理/统计势的 PPI 对接；ColabFold 是深度学习结构预测。ColabFold 可生成初始复合物结构，LKlight 可做后续精细化对接。

互补使用：支持 ColabFold 生成复合物 → LKlight 精化 → 综合分析

4.4.1 搜索算法与搜索空间

4.4.2 评分函数详细对比

（1）LightDock v0.9.4 (Python) 支持的评分函数（lightdock3 --listscoring实际输出）：

评分函数包括：fastdfire / dfire / dfire2 / pisa / mj3h / tobi / cpydock / pydock / vdw / dna / sipper / ddna。

ddna 用于 DNA-DNA 体系，需手动选择；sipper 和 ddna 在标准残基以外（如 CYX/HID）时可能报 KeyError，属设计限制。

（2）LightDock-Rust 支持的评分函数（历史基线，_RUST_SCORING_SUPPORTED源码定义 + data/目录验证）：

（3）LKlight v1.0 支持的评分函数 / 命令行方法名：

LKDock 评分自动选择逻辑（_ppi_get_scoring_function()）： – protein-dna/ protein-rna→ dna– 其他所有类型（protein-protein / protein-peptide / membrane） → fastdfire

4.4.3 PPI 引擎运行速度对比（官方基准数据）

说明：LightDock/LKlight 运行时间与 swarms 数、glowworms 数、steps 数成正比。LKlight 的表中数据为单 swarm benchmark；完整任务耗时还取决于 swarm 数、外层并行、后处理与 I/O。ColabFold 时间主要取决于序列长度和 MSA 搜索。

4.4.4 PPI 对接参数对比

五、口袋预测工具

口袋预测功能仅在 LKDock v3.0 中引入。

5.1 P2Rank（改）

功能： 从蛋白 3D 结构预测配体结合口袋；基于溶剂可及表面点的机器学习分类；支持 RandomForest 模型（random_forest_v4，sklearn）；支持启发式打分（heuristic_v5，无需 sklearn）；交叉验证评估 – 输出口袋中心坐标、残基列表、可信度评分。

算法：表面点采样：在蛋白溶剂可及表面和内腔生成候选点；特征提取：每个点计算局部特征（原子密度、极性/非极性比例、B-factor、二级结构、深度、DFG 相邻性等）；分类：RandomForest 对每个点打分（配体结合概率）；聚类：对高分点进行空间聚类（半径 cluster_radius）；排序：按聚类内得分总和排名输出 top-N 口袋 ；v4 新增特征：pocket_depth(RF特征#1)、dfg_adjacent、hinge_backbone_score、gatekeeper_small、nucleic_complex_filter； v4b 改进：分层交叉验证、内腔裂缝采样（project_interior_points()）

5.2 fpocket（改）

功能： 基于几何方法的快速口袋检测 ；Voronoi 分割 + Alpha 球过滤；输出口袋 PDB/PQR/JSON/info 多种格式 ；持体积（蒙特卡洛）、凸包、SASA 计算

算法：Voronoi 镶嵌：对蛋白原子坐标进行 Delaunay 三角剖分 ；Alpha 球筛选：提取外接球半径在 [fpocket_min_alpha_radius, fpocket_max_alpha_radius]范围内的 Delaunay 四面体顶点；过滤：去除远离蛋白原子的球（fpocket_max_dist_to_protein），保留符合极性条件的球 ；聚类：对 alpha 球进行空间聚类（fpocket_min_cluster_size）；口袋表征：计算每个聚类的体积、SASA、极性比例、平均 B-factor 等描述符；排序：综合打分后输出。

5.3 口袋预测对比总表

对比说明：

P2Rank（改） 依赖 scikit-learn，在有训练数据时精度更高（v4b top1_hit_rate_4Å = 0.5），但需要预训练 RF 模型

fpocket（改）纯几何方法，无需训练，速度快，适合快速筛查 ；两者均完全内嵌无外部二进制依赖 ；通过 对接配置中 backend参数切换

5.3.1特征/描述符对比

5.3.2性能/准确率对比

5.3.3口袋预测工具深度对比

• P2Rank（改）完整流程：

1. 解析蛋白结构（PDB/MMCIF）→ 提取蛋白原子
2. 溶剂可及表面点采样 + 内腔裂缝采样（project_interior_points）
3. 每个候选点计算 ~20 维局部特征：
   - atom_density_close（近距离原子密度）
   - atom_density_mid（中距离原子密度）  
   - polar_ratio（极性原子比例）
   - aromatic_ratio（芳香原子比例）
   - bfactor_mean（平均 B-factor）
   - secondary_structure_score（二级结构评分）
   - pocket_depth（口袋深度，v4 新增，RF 特征 #1）
   - dfg_adjacent（DFG 基序邻近度，v4 新增）
   - hinge_backbone_score（铰链区骨架评分，v4 新增）
   - gatekeeper_small（看门人残基小型化，v4 新增）
   - nucleic_complex_filter（核酸复合物过滤，v4 新增）
   - shell_3_0 / shell_5_0 / shell_8_0（不同半径壳层原子数）
   - ...
4. RandomForest 分类器打分（random_forest_v4 模型）
   或 heuristic_v5 启发式打分（无 sklearn 时的备选）
5. 空间聚类（cluster_radius=3.5Å, min_cluster_size=7）
6. 口袋重排序指标：
   - 聚类内得分总和
   - zscore_threshold 过滤（-0.3）
   - prefer_deep_pocket 深口袋偏好
   - extended_pocket_cutoff 扩展口袋截断
7. 输出 top-N 口袋：中心坐标、盒子大小、残基列表、可信度
8. 可选：structure_profile.json/csv, residue_level.json/csv, view_pockets.pml/.cxc

• fpocket-（改）完整流程：

1. 解析蛋白结构（PDB/MMCIF）→ 提取蛋白原子
2. Delaunay 三角剖分（scipy.spatial.Delaunay）
3. 计算每个四面体的外接球（circumsphere）
4. Alpha 球筛选：
   - 半径范围：[fpocket_min_alpha_radius, fpocket_max_alpha_radius]（默认 3.4-6.2Å）
   - 距蛋白原子距离：≤ fpocket_max_dist_to_protein
   - 极性/非极性分类（基于顶点原子电负性）
5. 聚类（层次聚类，fpocket_clustering_method=single-linkage）
   - fpocket_cluster_distance=2.4Å
   - fpocket_min_cluster_size=15
6. 口袋构建（_fp_build_pockets）：
   - 残基分配（alpha 球近邻蛋白原子所属残基）
   - MC 体积估算（fpocket_iterations_volume_mc=300）
   - 凸包体积
   - SASA 计算（极性/非极性分解）
   - Alpha 球密度过滤（min_as_density=0.7）
7. 标准化 + 综合打分 + 排序
8. 输出：PDB/PQR/JSON/info 多种格式

5.3.4口袋预测配置参数完整对照

5.3.5 盒子生成功能对比

六、各版本引擎集成一览

v1.0 引擎目录结构

./vina                    # AutoDock Vina 可执行文件（内置）

v2.0 引擎目录结构（./engine/）

engine/
├── vina127               # Vina 1.2.7
├── vina_split127         # Vina Split 1.2.7
├── smina                 # Smina (conda 安装)
├── Vina-GPU/             # Vina-GPU 1.0
│   ├── Vina-GPU.exe
│   ├── Vina-GPU-K.exe
│   ├── Kernel2_Opt.bin
│   └── OpenCL/
├── Vina-GPU+/            # Vina-GPU+ (v2.0系列)
│   ├── Vina-GPU+.exe
│   └── OpenCL/
├── Vina-GPU2/            # Vina-GPU 2.2
│   ├── Vina-GPU-v2.2.exe
│   ├── Kernel1_Opt.bin
│   ├── Kernel2_Opt.bin
│   └── OpenCL/
├── QVina2-GPU/           # QuickVina2-GPU
│   ├── Qvina2_GPU.exe
│   ├── Kernel2_Opt.bin
│   └── OpenCL/
└── QVina-W-GPU/          # QuickVina-W-GPU
    ├── QVina-W-GPU.exe
    ├── Kernel2_Opt.bin
    └── OpenCL/

v3.0 引擎目录结构（./engine/）

继承 v2.0 全部引擎，新增：

engine/
├── [v2.0 全部引擎...]
├── Uni-Dock _*             # Uni-Dock 跨平台二进制
├── UniDock-Pro_*           # UniDock-Pro 跨平台二进制
├── LK-UniDock/             # Uni-Dock / UniDock-Pro 补丁源码与预编译发行包
└── LKina                   # 金属 + 共价对接核心引擎

LKLight/                # PPI 引擎（独立目录）

LKlight / ColabFold / LKina系列引擎可按平台自行下载、源码编译或通过配置项指定路径。