告别手动操作！用Python脚本批量搞定AutoDock Vina分子对接（附smiles2pdbqt源码）

用Python全自动化加速分子对接：从SMILES到PDBQT的完整解决方案

在计算化学和药物发现领域，分子对接是预测小分子与靶标蛋白相互作用的关键技术。传统手动操作不仅耗时费力，还容易引入人为错误。本文将分享一套完整的Python自动化流程，帮助研究人员实现从SMILES字符串到最终对接结果的"一键式"处理。

1. 环境准备与工具链搭建

1.1 核心工具安装

开始前需要配置以下基础环境：

• AutoDock Vina：分子对接核心引擎
• Open Babel：化学文件格式转换工具
• RDKit：化学信息学计算库
• PyMOL（可选）：分子可视化工具

推荐使用conda快速安装主要依赖：

conda create -n autodock python=3.8 conda activate autodock conda install -c conda-forge openbabel rdkit

1.2 项目目录结构

规范的目录结构能显著提升工作效率：

project_root/ │── inputs/ │ ├── receptors/ # 存放蛋白质PDBQT文件 │ └── ligands/ # 存放配体SMILES文件 │── outputs/ │ ├── pdb_files/ # 中间产物：PDB格式 │ ├── pdbqt_files/ # 中间产物：PDBQT格式 │ └── results/ # 最终对接结果 │── scripts/ # Python脚本 └── configs/ # 对接参数配置文件

2. SMILES到PDBQT的自动化转换

2.1 SMILES转PDB格式

RDKit提供了强大的分子处理能力，以下代码实现批量转换：

from rdkit import Chem from rdkit.Chem import AllChem import os def smiles_to_pdb(smiles_str, output_path): mol = Chem.MolFromSmiles(smiles_str) mol = Chem.AddHs(mol) # 添加氢原子 AllChem.EmbedMolecule(mol) # 生成3D构象 AllChem.MMFFOptimizeMolecule(mol) # 力场优化 Chem.MolToPDBFile(mol, output_path)

2.2 PDB转PDBQT格式

利用Open Babel进行格式转换和电荷计算：

import pybel def pdb_to_pdbqt(input_pdb, output_pdbqt): mol = next(pybel.readfile("pdb", input_pdb)) mol.addh() # 确保氢原子完整 mol.calccharges() # 计算Gasteiger电荷 mol.write("pdbqt", output_pdbqt, overwrite=True)

3. 批量对接的工程化实现

3.1 对接参数配置

创建标准化的配置文件模板：

config_template = """ receptor = {receptor_file} center_x = {center_x} center_y = {center_y} center_z = {center_z} size_x = {size_size} size_y = {size_size} size_z = {size_size} exhaustiveness = {exhaustiveness} num_modes = {num_modes} energy_range = {energy_range} """

3.2 多进程并行对接

利用Python的multiprocessing加速批量处理：

from multiprocessing import Pool import subprocess def run_vina_docking(config): cmd = f"vina --config {config['config_path']} --ligand {config['ligand_path']} --out {config['output_path']}" subprocess.run(cmd, shell=True, check=True) def batch_docking(receptor_pdbqt, ligand_dir, config_params, n_workers=4): configs = prepare_configs(receptor_pdbqt, ligand_dir, config_params) with Pool(n_workers) as p: p.map(run_vina_docking, configs)

4. 实战案例与性能优化

4.1 完整工作流示例

以下代码整合了全部流程：

def auto_docking_workflow(smiles_file, receptor_pdbqt, output_dir): # 1. 转换SMILES到PDBQT convert_smiles_to_pdbqt(smiles_file, os.path.join(output_dir, "ligands")) # 2. 准备对接配置 config = generate_docking_config(receptor_pdbqt) # 3. 批量对接 batch_docking( receptor_pdbqt, os.path.join(output_dir, "ligands"), config ) # 4. 结果分析 analyze_results(os.path.join(output_dir, "results"))

4.2 常见问题解决方案

5. 高级技巧与扩展应用

5.1 结果可视化分析

结合PyMOL进行结果可视化：

def visualize_results(receptor_pdbqt, result_pdbqt): pymol_cmd = f""" load {receptor_pdbqt}, receptor load {result_pdbqt}, ligand show sticks, ligand show surface, receptor color green, ligand """ subprocess.run(["pymol", "-c", "-r", pymol_cmd])

5.2 对接结果自动评分

提取对接能量并进行排序：

import re def parse_vina_output(output_file): with open(output_file) as f: content = f.read() energies = re.findall(r"REMARK VINA RESULT:\s+([-\d.]+)", content) return [float(e) for e in energies]

在实际项目中，这套自动化系统将原本需要数天的手动操作压缩到几小时内完成。一个典型的应用场景是对化合物库进行虚拟筛选，研究人员只需准备SMILES列表和受体文件，剩下的工作全部由脚本自动完成。