跳转到正文
返回新闻中心
技术专栏

分子对接怎么做?SARS-CoV-2 Mpro 与 Ebselen 实操拆解

以 SARS-CoV-2 Mpro 与 Ebselen 为例讲清分子对接:AutoDock Vina 快速盲对接初筛 + DSDP 深度学习 GPU 盲对接交叉验证,含原理、流程、工具差异与结果解读。

AsterFire Go 是星使智算旗下的科研智能体平台,能把分子对接、分子动力学、量子化学、蛋白设计等百余种工具交给智能体按需调用——你不用装 CUDA、配 PyTorch、写命令行,说清楚「拿什么分子对什么蛋白」就能拿到带可视化的对接报告。本文以 SARS-CoV-2 Mpro 与 Ebselen 为例,讲清分子对接的原理、完整流程与结果解读。

要点速览

  • 核心问题:候选分子能否进入靶点活性口袋?以什么构象结合、形成哪些关键相互作用?

  • 案例:SARS-CoV-2 主蛋白酶(Mpro)+ Ebselen,两种工具交叉验证。

  • 工具:AutoDock Vina(Scripps 开发,梯度优化 + 经验打分)与 DSDP(北京大学开发,3D CNN 位点预测 + GPU 加速盲对接)。

  • 结论:位点未知时 DSDP 的定位精度与效率更高;同一分子建议多方法交叉验证,分歧时以 DSDP 的位点预测为参考。

1. 先回答两个问题

一个新的 Mpro 抑制剂,通常要先回答两个问题:

  1. 它能不能进入活性口袋?

  2. 如果能,究竟以什么构象结合、形成哪些关键相互作用?

本教程以 Ebselen 为例,使用 AutoDock Vina 和 DSDP 跑通从结构准备、盲对接到结果分析的完整流程。

无论你是第一次接触分子对接,还是想提高候选化合物的初筛效率,读完本文都能知道:这套流程怎么跑、结果怎么读,以及哪些判断仍需要分子动力学模拟或生化实验进一步验证。

2. 研究背景:Mpro 为什么是热门靶点

SARS-CoV-2 主蛋白酶(main protease, Mpro)作为病毒多聚蛋白加工和复制过程中不可或缺的关键酶,一直是抗病毒药物研发的重要靶点。围绕 Mpro,已有大量研究开展了小分子和多肽类抑制剂的开发,多种共价和非共价抑制剂已被报道。

分子对接(molecular docking)正是回答"能否结合、如何结合"的常用计算方法:通过对候选分子在蛋白结合位点中的可能构象进行搜索和打分,可以在实验验证之前快速筛除结合可能性较低的候选物,并进一步分析其潜在结合模式。

需要明确的是,docking 通常被用于药物研发早期的虚拟筛选和结合模式预测,其目的并不是替代 X 射线晶体学或冷冻电镜等实验结构解析,而是以较低的计算成本缩小候选范围,为后续分子动力学模拟和实验验证提供依据。

3. 核心原理:只有两件事

分子对接模拟两个分子之间的结合过程,核心包含两个环节:

环节

做什么

构象搜索

探索配体在受体结合位点的各种可能姿态

能量评分

评估各构象的稳定程度,用打分函数给出排序

不同软件的差异,本质上就是搜索算法和评分函数的差异。

4. 工具一:AutoDock Vina

AutoDock Vina 由 The Scripps Research Institute 的 Olson 科研小组开发,是应用最广泛的开源对接软件。它采用基于梯度的优化算法进行构象搜索,经验打分函数综合考虑范德华力、氢键和疏水作用。相比早期版本,Vina 运行速度显著提升,支持多核并行计算。

在本教程的 Mpro 案例中,使用 AutoDock Vina 进行盲对接构象搜索:将候选小分子对接到 Mpro 的整个表面区域,由程序自动搜索可能的结合位点和结合构象,根据预测的结合构象和打分(docking score)对结果进行初步排序。

图1:AutoDock Vina 工具使用教程——上传蛋白 PDB 与配体 mol2,平台自动完成去水、加氢、格式转换。

AsterFire Go 平台提供的 AutoDock Vina 工具,支持盲对接、重配体对接和批量分子对接等模式。用户只需上传蛋白 PDB 文件和配体 mol2 文件,平台自动完成去水、加氢、格式转换等预处理步骤,设置搜索精度等参数后提交至后台运行对接计算。完成后直接返回分子对接结果报告,包括结合构象可视化图与各结合模型的亲和力打分值。

图2:传统 AutoDock Vina 操作流程——手动完成 PDBQT 格式转换、去水、加氢,用命令行调盒子位置与尺寸。

在传统操作流程下,需要手动完成蛋白和配体的 PDBQT 格式转换,涉及去水、加氢等多个预处理步骤,通过命令行调整搜索精度、盒子位置和尺寸来定义结合口袋,最后在可视化软件中查看对接构象。文件格式或路径的细微错误都可能导致运行失败。 虽然 Vina 支持批量对接,但面对大规模候选分子时,配体准备、参数配置、任务管理及结果汇总仍需较多操作。

5. 工具二:DSDP

DSDP(Deep Site and Docking Pose)由北京大学化学与分子工程学院开发,是一款基于 GPU 加速的盲对接工具。

与传统盲对接方法需要在较大的规则搜索空间内进行搜索不同,DSDP 首先利用三维卷积神经网络预测蛋白质潜在结合位点,并将预测结果用于构建更符合口袋形状的采样空间;随后采用基于 Vina 的构象采样和打分方法,对配体可能的结合构象进行搜索和评价。

AsterFire Go 平台也提供 DSDP 工具,支持 GPU 加速的盲对接计算。在 KIT 模式下,用户选择对接类型后上传 Mpro 蛋白和配体结构文件即可提交计算,平台完成后续的位点预测和对接计算,并对预测的结合位点区域和配体结合构象进行可视化展示。

图3:DSDP 工具使用教程——KIT 模式上传蛋白与配体,平台完成位点预测与对接。

在传统操作流程下,DSDP 需要配置 NVIDIA GPU、CUDA 和 PyTorch 等运行环境,采用源码安装时还需要完成相关 C++/CUDA 程序的编译,并配置相应的输入文件和运行参数。完成结构预处理后,需按程序要求组织输入文件和目录,并通过命令行设置搜索精度、搜索深度等参数。计算完成后,结合位点预测结果和对接构象通常需要分别查看和整理——对不熟悉 GPU 环境配置和命令行操作的用户,整个过程具有一定门槛。

6. 两个工具怎么选:差异在哪

两种分子对接工具的预测结果并不完全一致,这与工具采用的搜索空间、构象采样策略和评分函数差异有关。

维度

AutoDock Vina

DSDP

开发方

The Scripps Research Institute(Olson 组)

北京大学化学与分子工程学院

加速方式

多核 CPU 并行

GPU 加速

位点处理

在用户指定搜索空间内网格采样

3D CNN 先预测潜在结合位点,再构建采样空间

主要依赖

初始盒子位置和尺寸

网络预测的位点区域

优势场景

已知口袋的快速初筛、批量对接

结合位点未知时的盲对接

成熟度

最广泛使用的开源对接软件

较新,GPU 加速 + 深度学习位点预测

以盲对接任务为例:AutoDock Vina 需要在用户指定的整个搜索空间内进行网格计算和构象采样,其预测结果受初始盒子位置和尺寸的影响较大;而 DSDP 则先通过三维卷积神经网络预测蛋白表面的潜在结合位点,再在预测区域内完成构象采样和打分。该策略减少了盲目搜索带来的计算成本,同时也降低了对结合位点先验信息的依赖。

因此,在结合位点未知的情况下,DSDP 的预测结果具有更高的定位精度和计算效率。 对于同一候选分子,建议结合不同方法的预测结果进行综合分析;但当多种工具的预测存在分歧时,DSDP 在结合位点预测和构象采样方面的结果可提供更可靠的参考依据。

7. 第三种方式:Agent 模式

以上两款工具,AsterFire Go 平台都已整合到工具百宝箱(KIT)模式中:只需上传蛋白和配体文件,填写关键对接参数(如搜索精度、输出构象数量等),即可提交计算并获取可视化结果。相比传统方式,KIT 模式省去了软件安装、环境配置和命令行操作,但仍需用户自行准备结构文件并确认计算参数。

在此基础上,平台进一步提供智算智能体(Agent)模式,将文件准备和参数配置环节也纳入自动化流程。该模式采用对话式交互,用户只需用自然语言描述对接任务(如"用 DSDP 对接 Mpro 和 Ebselen"),平台即可根据需求自动准备结构文件、配置计算参数、调用相应工具执行对接并返回结果——整个过程中用户无需上传任何文件,也无需填写任何参数。

图4:智算 Agent 实现分子对接——一句话描述任务,自动完成结构准备、参数配置与对接计算。

模式

输入

参数控制

适合谁

KIT(AutoDock Vina / DSDP)

蛋白 PDB + 配体 mol2

自主设置搜索精度、构象数等

需要精细控制、批量扫描的用户

Agent

一句话描述任务

Agent 自动规划,可确认调整

想快速拿结果、不想碰参数的用户

8. 结果解读:docking score 能说明什么

  • docking score 越低(负值越大),理论上结合越有利,但它只是经验打分,不等于真实结合自由能。

  • 构象合理性要看配体是否落在口袋内、是否与关键残基形成氢键、是否有明显原子冲突。

  • 多构象一致性:如果前 9 个构象都聚在同一区域,说明该位点的构象空间收敛;如果分散,说明打分面很平,结论不可靠。

  • 交叉验证:Vina 与 DSDP 给出同一区域,可信度显著提高;给出不同区域时,优先参考 DSDP 的位点预测。

9. 常见问题 FAQ

Q1:分子对接和分子动力学模拟有什么区别?
A:对接是"静态搜索 + 打分",回答"能不能结合、大概怎么结合",成本低、适合大规模初筛;MD 是"动态追踪",回答"这个构象在溶液里能不能维持",成本高、适合少量重点候选。标准流程是先对接初筛,再对少量候选做 MD 验证。

Q2:AutoDock Vina 和 DSDP 该用哪个?
A:已知活性口袋、需要批量扫描时用 AutoDock Vina;结合位点未知、需要盲对接时用 DSDP。最稳妥的做法是两个都跑、交叉验证。

Q3:盲对接和定向对接有什么区别?
A:定向对接需要你预先指定搜索盒子(口袋位置与尺寸),搜索空间小、速度快,但结果强烈依赖盒子设得对不对;盲对接让程序自己在整个蛋白表面找位点,不依赖先验信息,但计算量更大、也更考验算法的位点预测能力。

Q4:对接打分能当作亲和力吗?
A:不能。docking score 是经验打分函数的输出,与实验测得的 Kd、IC50 只是弱相关。它适合在同一靶点、同一打分函数下做相对排序,不适合跨体系比较或预测绝对亲和力。

Q5:需要准备什么文件?
A:蛋白结构(PDB)和配体结构(mol2 或带正确键级的结构文件)。KIT 模式下这两样就够,格式转换、去水、加氢由平台自动完成;Agent 模式下连文件都不用准备。

Q6:为什么两个工具的预测结果不一致?
A:因为搜索空间、采样策略和打分函数都不同。Vina 依赖你给的盒子,DSDP 依赖神经网络预测的位点。不一致本身是有用信息:它提示该结合模式对方法选择敏感,需要用 MD 或实验进一步确认。

Q7:一次对接要跑多久?
A:小分子对单个蛋白的盲对接通常在分钟级。批量对接的时间随候选数线性增长,GPU 加速的 DSDP 在大批量场景下优势明显。

10. 术语表

  • 盲对接(blind docking):不预设结合位点,让程序在整个蛋白表面搜索。

  • PDBQT:AutoDock 系列使用的结构格式,在 PDB 基础上附加原子类型与电荷信息。

  • docking score:对接打分函数给出的结合优劣估计值。

  • 3D CNN:三维卷积神经网络,DSDP 用它预测蛋白表面潜在结合位点。

加入 AsterFire Go 用户交流群

产品内测期间加入官方用户群可得 1 个月专业版会员,含 4 个流动星币 + 50 GB 存储空间 + 百余种高级模型 + 全算力消费 9 折优惠。

11. 关于 AsterFire Go

分子对接是候选药物早期筛选和结合模式研究中常用的计算方法。AsterFire Go 将 AutoDock Vina、DSDP 等工具集成到统一的计算平台中,通过 KIT 模式保留用户对结构文件和关键参数的控制,同时提供智算 Agent 模式,进一步减少文件准备和参数配置等操作。


返回新闻中心