DiffDock 分子对接

要解决什么问题

结构导向药物发现里，常见需求是：给定蛋白质靶标和小分子配体，结合构象长什么样、配体落在哪个口袋。传统对接依赖搜索与打分函数，在柔性口袋和大配体上容易吃力。DiffDock 用扩散模型直接生成 3D 结合姿态，并给出置信度，用于初筛与排序，但不等价于结合亲和力（ΔG、Kd）。

技能如何工作

• 输入：蛋白质可用 PDB，或氨基酸序列（经 ESMFold 建结构）；配体支持 SMILES、SDF、MOL2。
• 单复合物对接：一条蛋白 + 一条配体，输出多组采样构象及置信度。
• 批量 / 虚拟筛选：用 CSV 描述 complex_name、protein_path 或 protein_sequence、ligand_description 等字段，可预计算蛋白嵌入以加速大批量任务。
• 结果解读：用置信度做高/中/低分级；下游建议配合可视化检查，并用 GNINA、MM/GBSA 等重打分评估亲和力。
• 调参要点：samples_per_complex、inference_steps、扭转采样温度等，可按刚性/柔性配体或精度/速度权衡调整。

适用边界与注意点

• 面向典型小分子（约 100–1000 Da）与类药有机化合物；超大配体、多链复合物、全新蛋白家族时置信度可能偏低。
• 不擅长：共价对接、膜蛋白（未专门训练）、小肽作配体、直接预测亲和力。
• 首次运行会下载模型检查点并预计算 SO(2)/SO(3) 表；强烈建议 GPU，否则推理会明显变慢。
• 置信度用于相对排序与风险提示，最终决策仍应结合结构合理性与实验验证。