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:
它能不能进入活性口袋?
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。
AsterFire Go 产品页:https://sidereus-ai.com/asterfire-go
星使智算官网:https://sidereus-ai.com/