分子对接新手速通指南：用AutoDock Vina在Mac上完成第一次虚拟筛选实战

分子对接新手速通指南：用AutoDock Vina在Mac上完成第一次虚拟筛选实战

【免费下载链接】AutoDock-VinaAutoDock Vina项目地址: https://gitcode.com/gh_mirrors/au/AutoDock-Vina

读完本文，你将能在Mac上完成从「拿到一份配体小分子」到「得到一份带打分结果的对接构象文件」的完整流程，并初步掌握批量虚拟筛选与Python脚本化对接。AutoDock Vina是一款免费开源的分子对接引擎，也是目前药物发现领域应用最广的虚拟筛选工具之一。接下来，我们会用「闯关」的方式，一步步带你跑通这套Mac分子对接工具链。

为什么你需要一件"分子锁匠"工具？

做药物设计的人经常面临一个尴尬场景：手上有一个目标蛋白（比如某个激酶的活性口袋），还有一抽屉的候选小分子，老板问你"哪个最有可能结合上去？"。靠实验一个个试，动辄数月、成本惊人。这时候你就需要一个能在电脑上先筛一遍的工具——它就是分子对接。

对接的本质可以理解成：给一把锁（蛋白）试各种钥匙（小分子），看哪把钥匙能插进去且插得最稳。AutoDock Vina就是这个"试钥匙"的自动化机器，它每秒能评估海量结合姿势，最后按结合能给你排一个名次。

在我实测过的几款开源对接引擎里，Vina的优势非常直观：

一句话总结：Vina是"开箱即用 + 免费 + 速度快"的组合拳，特别适合作为新手的第一台分子对接引擎。

先把家当备齐：Mac上30分钟装好全套工具

在动手之前，先把环境搭好。我用的是Python环境 + Meeko辅助工具的组合，这套方案在macOS上最省心（Intel和M系列芯片都适用）。

# 1. 创建并激活专用虚拟环境（强烈建议，避免污染系统Python） python3 -m venv vina_env source vina_env/bin/activate # 2. 一条命令装齐：Vina本体 + Meeko配体/受体准备工具 + RDKit化学工具包 pip install -U numpy scipy rdkit vina meeko

安装完成后，验证一下关键命令是否可用：

vina --version mk_prepare_ligand.py --help | head -5

💡 我在实测中发现，把vina和meeko装进同一个虚拟环境是性价比最高的做法——前者负责跑对接，后者负责把分子文件"翻译"成Vina认识的语言（PDBQT）。如果你偏好源码编译，Mac上先装好Xcode Command Line Tools（xcode-select --install），再用brew install boost cmake补依赖，然后编译build/目录下的源码即可，但普通用户通常不需要走这条路。

关卡一：5分钟跑通你的第一个对接案例

新手上路最忌讳"从零开始"。项目仓库里已经准备好了全套示例数据，我们直接用现成的来跑第一单。

拿到测试数据

克隆仓库后，进入基础对接示例目录：

git clone https://gitcode.com/gh_mirrors/au/AutoDock-Vina.git cd AutoDock-Vina/example/basic_docking/data

目录里有三个关键文件：

• 1iep_receptorH.pdb—— 受体蛋白（c-Abl激酶结构域），已加氢
• 1iep_ligand.sdf—— 配体（抗癌药伊马替尼）
• 以及我们稍后要生成的PBDQT格式文件

什么是PDBQT？它是PDB格式的"对接专用变体"，多出了原子类型和可旋转键信息。Vina只认这个格式，所以配体和受体都要先转成它。

把分子文件"翻译"成PDBQT

# 受体准备：-p 生成PDBQT，-v 顺便生成盒子坐标文件（box.txt） mk_prepare_receptor.py -i 1iep_receptorH.pdb -o 1iep_receptor -p -v \ --box_size 20 20 20 --box_center 15.190 53.903 16.917 # 配体准备：SDF -> PDBQT mk_prepare_ligand.py -i 1iep_ligand.sdf -o 1iep_ligand.pdbqt

执行后你会看到生成了1iep_receptor.pdbqt、1iep_receptor.box.txt等文件。其中box.txt已经写好了对接盒子的中心与尺寸，可以直接当配置文件用。

运行对接

vina --receptor 1iep_receptor.pdbqt \ --ligand 1iep_ligand.pdbqt \ --config 1iep_receptor.box.txt \ --exhaustiveness 32 \ --out 1iep_ligand_vina_out.pdbqt

终端会吐出一张结果表，这应该是你第一次见到Vina的"成绩单"：

mode | affinity | dist from best mode | (kcal/mol) | rmsd l.b.| rmsd u.b. -----+------------+----------+---------- 1 -13.23 0 0 2 -11.29 0.9857 1.681 3 -11.28 3.044 12.41 ...

怎么看这张表？affinity是预测结合自由能，越负表示结合越强；mode 1就是Vina认为最可能的结合姿势。对这个案例，最优打分在-13 kcal/mol左右属于正常水平，说明对接成功。

✍️ 动手练习 1：换个力场再跑一次

把命令末尾加上--scoring ad4（AutoDock4力场），但注意此时不能用--receptor，而要改用预生成的亲和力网格图。仓库的solution目录里已经放好了所有地图文件，你可以试试：

vina --ligand 1iep_ligand.pdbqt \ --maps 1iep_receptor --scoring ad4 \ --exhaustiveness 32 --out 1iep_ligand_ad4_out.pdbqt

预期结果：AD4力场给出的最优打分会出现在-14 kcal/mol附近。如果你发现两种力场的分数不同——完全正常，两个力场的能量尺度本来就不一样，不要直接跨力场比较分数。

关卡二：看懂对接盒子和关键参数，别再"盲调"

很多新手一上来就乱改参数，结果越改越差。我先帮你把最关键的三个旋钮讲透：

对接盒子 = 给分子"划地盘"

Vina只会在你指定的三维盒子范围内搜索配体的结合姿势。盒子太小会漏掉真实结合位点，太大则搜索难度陡增。

实测经验：把盒子中心对准实验结构里的共晶配体位置，尺寸设在20~30 Å比较稳妥。盒子超过30×30×30 Å时Vina会主动警告——这时要么缩小盒子，要么加大穷举度。

穷举度 = 搜索的精细程度

--exhaustiveness决定独立随机搜索的轮数，默认值是8。可以类比成出门找钥匙时翻遍每个抽屉的次数：次数越多，越可能找到那把最合适的钥匙，但花的时间也越长。

随机性：为什么两次结果不一样？

Vina的搜索是随机起点的，所以每次运行结果会有细微差别。这不是bug，而是算法特性。想让实验可复现，就固定随机种子：

vina --receptor 1iep_receptor.pdbqt --ligand 1iep_ligand.pdbqt \ --config 1iep_receptor.box.txt --seed 42 --out reproducible.pdbqt

✍️ 动手练习 2：验证穷举度的影响

分别用--exhaustiveness 8和--exhaustiveness 64各跑一次（固定相同seed），对比两次输出表里 mode 1 的分数和rmsd差异。你通常会发现：低穷举度时，mode 2、mode 3 与 mode 1 的分数差距很小，甚至会出现"首尾颠倒"的姿势；提高穷举度后，最优姿势会更稳定地收敛。

关卡三：让流程自动化——批量筛选与Python脚本

单个分子对接只是热身。虚拟筛选的真实场景往往是"几百个配体打一个受体"，这时候就要上批量模式了。

方式一：命令行批量对接

假设你有一个ligands/目录，里面放满了准备号PDBQT格式的候选配体：

vina --receptor 1iep_receptor.pdbqt \ --batch ligands/*.pdbqt \ --config 1iep_receptor.box.txt \ --dir poses

所有结果会输出到poses/目录，每个配体对应一个xxx_out.pdbqt文件。--dir指定输出目录，Vina会自动处理重名问题。

⚠️ 注意：--batch和--ligand不能同时使用。如果你还需要遍历多个受体，用Shell循环包一层即可。

方式二：Python脚本化（推荐进阶）

仓库的example/python_scripting/first_example.py是一个非常好的起点，它演示了评分、局部优化、对接的完整流程。我在实测中把它精简成了下面这段——对同一个受体批量打分多个配体，正是虚拟筛选的标准姿势：

from vina import Vina # 初始化Vina对象，指定力场 v = Vina(sf_name='vina', cpu=4) # 载入受体并预计算网格（只算一次，后续配体全部复用） v.set_receptor('1iep_receptor.pdbqt') v.compute_vina_maps(center=[15.190, 53.903, 16.917], box_size=[20, 20, 20]) # 批量循环对接 ligands = ['lig1.pdbqt', 'lig2.pdbqt', 'lig3.pdbqt'] for name in ligands: v.set_ligand_from_file(name) v.dock(exhaustiveness=32, n_poses=5) v.write_poses(f'{name}_out.pdbqt', n_poses=1, overwrite=True) print(f'{name} 完成对接')

执行方式：

python batch_dock.py

预期输出是一行行ligN.pdbqt 完成对接，然后你就可以写个小脚本把所有_out.pdbqt里的affinity字段提取出来汇总成打分表了。这就是虚拟筛选最朴素也最实用的形态。

✍️ 动手练习 3：写一个打分汇总脚本

用你熟悉的语言（Python即可），遍历poses/目录下所有*_out.pdbqt，用正则提取每个文件中mode 1那行的affinity值，按分数升序输出"配体名 → 分数"的排行表。这个表格就是你和导师/同事汇报"我筛出了哪几个苗头化合物"的原材料。

关卡四：结果解读与可视化——从数字到"长什么样"

分数好看是一回事，姿势合理是另一回事。我见过太多人只看打分不看构象，最后把明显撞在一起的姿势当成"最优结果"。

转换格式给可视化软件看

PDBQT格式在PyMOL等软件里显示不一定友好，先用Meeko把它转回更通用的SDF：

mk_export.py 1iep_ligand_vina_out.pdbqt -s 1iep_ligand_vina_out.sdf

然后就能在PyMOL、ChimeraX里把受体和配体叠在一起，检查配体是否真的"坐"进了口袋、有没有明显原子冲突。

评估姿势的三个检查点

1. RMSD对照：如果你有共晶结构（实验测定的真实结合姿势），算一下预测姿势与晶体姿势的重原子RMSD，一般< 2 Å 视为预测成功。
2. 分数区间：对小分子配体，-6 ~ -8 kcal/mol属于弱结合，-9 以下才算有竞争力；但要记住分数绝对值本身意义有限，横向比较更重要。
3. 相互作用：在可视化软件里看氢键、疏水接触是否落在合理残基上。数字靠得住的前提是"化学直觉说得通"。

一张图看懂完整工作流

Vina的官方文档里有一张非常完整的流程图，从分子预处理一路画到结果导出，我强烈建议你把它当成"全局地图"来用——上面这张图里每个环节，我们在前三个关卡里都已经亲手跑过了：

最终挑战：搭建一套可复用的对接工作流模板

闯关到最后，是时候把零散命令沉淀成你自己的"工厂流水线"了。我建议的目录骨架长这样：

my_screen/ ├── 00_raw/ # 原始分子文件（SDF/MOL2） ├── 01_prepared/ # PDBQT配体 + 受体文件 ├── 02_poses/ # 对接输出 ├── 03_summary/ # 打分汇总表 ├── config.txt # 对接参数配置 └── run_screen.sh # 一键执行脚本

config.txt是Vina支持的统一参数入口，把常用参数都写进去，命令行只留变化的部分：

receptor = 1iep_receptor.pdbqt center_x = 15.190 center_y = 53.903 center_z = 16.917 size_x = 20.0 size_y = 20.0 size_z = 20.0 exhaustiveness = 32 cpu = 4

配套的一键脚本run_screen.sh（Mac上直接跑）：

#!/bin/bash # 一键虚拟筛选：配体准备 -> 批量对接 -> 结果汇总 mkdir -p 01_prepared 02_poses 03_summary for f in 00_raw/*.sdf; do base=$(basename "$f" .sdf) mk_prepare_ligand.py -i "$f" -o "01_prepared/${base}.pdbqt" done vina --receptor 01_prepared/1iep_receptor.pdbqt \ --batch 01_prepared/*.pdbqt \ --config config.txt --dir 02_poses # 汇总打分（提取每个输出文件中最优affinity） for f in 02_poses/*_out.pdbqt; do score=$(grep -m1 " 1 " "$f" | awk '{print $2}') echo "$(basename "$f") $score" >> 03_summary/scores.tsv done sort -k2 -n 03_summary/scores.tsv

预期输出：一个按打分从好到差排好序的scores.tsv表格。到这里，你已经拥有了一套属于自己的、可以反复使用的Mac分子对接/虚拟筛选工作流。

避坑手册：新手最常栽的5个跟头

把项目FAQ和我的实测经验揉在一起，这五个坑出现频率最高：

结语：从"跑通"到"跑好"的下一步

到了这一步，你已经完成了从"什么是分子对接"到"搭建自己的虚拟筛选流水线"的完整跨越。接下来值得探索的方向，仓库里也都备好了现成的例子：

• 柔性对接（example/flexible_docking）：让部分侧链动起来，适合诱导契合明显的体系
• 水合对接（example/hydrated_docking）：显式考虑水分子桥接作用，对片段类药物尤其重要
• 大环分子对接（example/docking_with_macrocycles）：处理环状大分子配体的柔性
• 多配体同时对接（example/mulitple_ligands_docking）：一个口袋塞多个配体的场景

我最后想分享的一点体会是：分子对接是个"越用越准"的工具——不是软件本身会变聪明，而是你越来越懂得在什么体系、什么参数下它能给你可信的答案。动手把上面的关卡跑一遍，比读十篇教程都有用。祝你第一单对接顺利！

提示：跑通上述示例所需的全部输入数据与预期输出，都可以在仓库的example/目录（含data/与solution/子目录）中找到；完整的官方文档则在docs/source/下，遇到具体问题可直接查阅。

【免费下载链接】AutoDock-VinaAutoDock Vina项目地址: https://gitcode.com/gh_mirrors/au/AutoDock-Vina