⚡

扩散分子对接工具Skill diffdock

DiffDock（扩散分子对接工具）是一个基于扩散模型的深度学习技能，用于预测小分子配体与蛋白质靶点的3D结合构象，提供置信度分数以评估预测可靠性，支持单个复合物对接、批量虚拟筛选，并可与评分函数集成进行亲和力评估。关键词：分子对接、扩散模型、深度学习、蛋白质-配体结合、虚拟筛选、药物设计、置信度分数、结构基药物发现、AI生物医药应用。

AI应用 0 次安装 0 次浏览 更新于 3/16/2026

名称: diffdock 描述: “基于扩散的分子对接。从PDB/SMILES预测蛋白质-配体结合构象、置信度分数、虚拟筛选，用于基于结构的药物设计。不用于亲和力预测。”

DiffDock：使用扩散模型的分子对接

概述

DiffDock是一种基于扩散的深度学习工具，用于分子对接，预测小分子配体与蛋白质靶点的3D结合构象。它代表了计算对接的最新技术，对基于结构的药物发现和化学生物学至关重要。

核心能力：

  • 使用深度学习预测配体结合构象，具有高准确性
  • 支持蛋白质结构（PDB文件）或序列（通过ESMFold）
  • 处理单个复合物或批量虚拟筛选活动
  • 生成置信度分数以评估预测可靠性
  • 处理多样化的配体输入（SMILES、SDF、MOL2）

关键区别： DiffDock预测结合构象（3D结构）和置信度（预测确定性），而不是结合亲和力（ΔG、Kd）。总是结合评分函数（GNINA、MM/GBSA）进行亲和力评估。

何时使用此技能

此技能应在以下情况下使用：

  • “将此配体对接到蛋白质"或"预测结合构象”
  • “运行分子对接"或"进行蛋白质-配体对接”
  • “虚拟筛选"或"筛选化合物库”
  • "这个分子在哪里结合？“或"预测结合位点”
  • 基于结构的药物设计或先导物优化任务
  • 涉及PDB文件+SMILES字符串或配体结构的任务
  • 批量对接多个蛋白质-配体对

安装和环境设置

检查环境状态

在执行DiffDock任务前，验证环境设置：

# 使用提供的设置检查器
python scripts/setup_check.py

此脚本验证Python版本、带CUDA的PyTorch、PyTorch Geometric、RDKit、ESM和其他依赖项。

安装选项

选项1：Conda（推荐）

git clone https://github.com/gcorso/DiffDock.git
cd DiffDock
conda env create --file environment.yml
conda activate diffdock

选项2：Docker

docker pull rbgcsail/diffdock
docker run -it --gpus all --entrypoint /bin/bash rbgcsail/diffdock
micromamba activate diffdock

重要说明：

  • 强烈推荐使用GPU（比CPU快10-100倍）
  • 首次运行预计算SO(2)/SO(3)查找表（约2-5分钟）
  • 模型检查点（约500MB）如果不存在会自动下载

核心工作流

工作流1：单个蛋白质-配体对接

使用案例： 将一个配体对接到一个蛋白质靶点

输入要求：

  • 蛋白质：PDB文件或氨基酸序列
  • 配体：SMILES字符串或结构文件（SDF/MOL2）

命令：

python -m inference \
  --config default_inference_args.yaml \
  --protein_path protein.pdb \
  --ligand "CC(=O)Oc1ccccc1C(=O)O" \
  --out_dir results/single_docking/

替代方案（蛋白质序列）：

python -m inference \
  --config default_inference_args.yaml \
  --protein_sequence "MSKGEELFTGVVPILVELDGDVNGHKF..." \
  --ligand ligand.sdf \
  --out_dir results/sequence_docking/

输出结构：

results/single_docking/
├── rank_1.sdf          # 最高排名构象
├── rank_2.sdf          # 第二排名构象
├── ...
├── rank_10.sdf         # 第10构象（默认：10个样本）
└── confidence_scores.txt

工作流2：批量处理多个复合物

使用案例： 将多个配体对接到蛋白质，虚拟筛选活动

步骤1：准备批量CSV

使用提供的脚本来创建或验证批量输入：

# 创建模板
python scripts/prepare_batch_csv.py --create --output batch_input.csv

# 验证现有CSV
python scripts/prepare_batch_csv.py my_input.csv --validate

CSV格式：

complex_name,protein_path,ligand_description,protein_sequence
complex1,protein1.pdb,CC(=O)Oc1ccccc1C(=O)O,
complex2,,COc1ccc(C#N)cc1,MSKGEELFT...
complex3,protein3.pdb,ligand3.sdf,

必需列：

  • complex_name：唯一标识符
  • protein_path：PDB文件路径（如果使用序列则留空）
  • ligand_description：SMILES字符串或配体文件路径
  • protein_sequence：氨基酸序列（如果使用PDB则留空）

步骤2：运行批量对接

python -m inference \
  --config default_inference_args.yaml \
  --protein_ligand_csv batch_input.csv \
  --out_dir results/batch/ \
  --batch_size 10

对于大型虚拟筛选（>100化合物）：

预计算蛋白质嵌入以加快处理：

# 预计算嵌入
python datasets/esm_embedding_preparation.py \
  --protein_ligand_csv screening_input.csv \
  --out_file protein_embeddings.pt

# 使用预计算嵌入运行
python -m inference \
  --config default_inference_args.yaml \
  --protein_ligand_csv screening_input.csv \
  --esm_embeddings_path protein_embeddings.pt \
  --out_dir results/screening/

工作流3：分析结果

对接完成后，分析置信度分数和排名预测：

# 分析所有结果
python scripts/analyze_results.py results/batch/

# 显示每个复合物的前5个
python scripts/analyze_results.py results/batch/ --top 5

# 按置信度阈值筛选
python scripts/analyze_results.py results/batch/ --threshold 0.0

# 导出到CSV
python scripts/analyze_results.py results/batch/ --export summary.csv

# 显示所有复合物中的前20个预测
python scripts/analyze_results.py results/batch/ --best 20

分析脚本：

  • 解析所有预测的置信度分数
  • 分类为高（>0）、中等（-1.5到0）或低（<-1.5）
  • 在复合物内和跨复合物排名预测
  • 生成统计摘要
  • 导出结果到CSV以供下游分析

置信度分数解释

理解分数：

分数范围 置信度水平 解释
> 0 高 强预测，可能准确
-1.5到0 中等 合理预测，仔细验证
< -1.5 低 不确定预测，需要验证

关键说明：

  1. 置信度≠亲和力：高置信度意味着模型对结构确定，而不是强结合
  2. 上下文重要：调整期望为：
    • 大配体（>500 Da）：预期较低置信度
    • 多个蛋白质链：可能降低置信度
    • 新蛋白质家族：可能表现不佳
  3. 多个样本：查看前3-5个预测，寻找共识

详细指导： 使用Read工具阅读references/confidence_and_limitations.md

参数自定义

使用自定义配置

为特定使用案例创建自定义配置：

# 复制模板
cp assets/custom_inference_config.yaml my_config.yaml

# 编辑参数（见模板中的预设）
# 然后使用自定义配置运行
python -m inference \
  --config my_config.yaml \
  --protein_ligand_csv input.csv \
  --out_dir results/

关键参数调整

采样密度：

  • samples_per_complex: 10 → 增加至20-40用于困难情况
  • 更多样本=更好覆盖但更长运行时间

推断步骤：

  • inference_steps: 20 → 增加至25-30以获得更高准确性
  • 更多步骤=可能更好质量但更慢

温度参数（控制多样性）：

  • temp_sampling_tor: 7.04 → 增加用于柔性配体（8-10）
  • temp_sampling_tor: 7.04 → 减少用于刚性配体（5-6）
  • 更高温度=更多样化构象

模板中可用的预设：

  1. 高准确性：更多样本+步骤，较低温度
  2. 快速筛选：较少样本，更快
  3. 柔性配体：增加扭转温度
  4. 刚性配体：减少扭转温度

完整参数参考： 使用Read工具阅读references/parameters_reference.md

高级技术

集成对接（蛋白质灵活性）

对于已知灵活性的蛋白质，对接到多个构象：

# 创建集成CSV
import pandas as pd

conformations = ["conf1.pdb", "conf2.pdb", "conf3.pdb"]
ligand = "CC(=O)Oc1ccccc1C(=O)O"

data = {
    "complex_name": [f"ensemble_{i}" for i in range(len(conformations))],
    "protein_path": conformations,
    "ligand_description": [ligand] * len(conformations),
    "protein_sequence": [""] * len(conformations)
}

pd.DataFrame(data).to_csv("ensemble_input.csv", index=False)

运行对接，增加采样：

python -m inference \
  --config default_inference_args.yaml \
  --protein_ligand_csv ensemble_input.csv \
  --samples_per_complex 20 \
  --out_dir results/ensemble/

与评分函数集成

DiffDock生成构象；结合其他工具进行亲和力评估：

GNINA（快速神经网络评分）：

for pose in results/*.sdf; do
    gnina -r protein.pdb -l "$pose" --score_only
done

MM/GBSA（更准确，更慢）： 使用AmberTools MMPBSA.py或gmx_MMPBSA在能量最小化后

自由能计算（最准确）： 使用OpenMM + OpenFE或GROMACS进行FEP/TI计算

推荐工作流：

  1. DiffDock → 生成具有置信度分数的构象
  2. 视觉检查 → 检查结构合理性
  3. GNINA或MM/GBSA → 重新评分并按亲和力排名
  4. 实验验证 → 生物化学分析

限制和范围

DiffDock设计用于：

  • 小分子配体（通常100-1000 Da）
  • 药物样有机化合物
  • 小肽（<20残基）
  • 单链或多链蛋白质

DiffDock不设计用于：

  • 大生物分子（蛋白质-蛋白质对接） → 使用DiffDock-PP或AlphaFold-Multimer
  • 大肽（>20残基） → 使用替代方法
  • 共价对接 → 使用专用共价对接工具
  • 结合亲和力预测 → 结合评分函数
  • 膜蛋白 → 未专门训练，谨慎使用

完整限制： 使用Read工具阅读references/confidence_and_limitations.md

故障排除

常见问题

问题：所有预测的置信度分数低

  • 原因：大/不寻常配体、不清晰结合位点、蛋白质灵活性
  • 解决方案：增加samples_per_complex（20-40），尝试集成对接，验证蛋白质结构

问题：内存不足错误

  • 原因：GPU内存不足
  • 解决方案：减少--batch_size 2或一次处理较少复合物

问题：性能慢

  • 原因：在CPU上运行而非GPU
  • 解决方案：使用python -c "import torch; print(torch.cuda.is_available())"验证CUDA，使用GPU

问题：不切实际的结合构象

  • 原因：蛋白质准备差、配体太大、错误结合位点
  • 解决方案：检查蛋白质缺失残基，去除远水，考虑指定结合位点

问题："Module not found"错误

  • 原因：缺少依赖项或环境错误
  • 解决方案：运行python scripts/setup_check.py诊断

性能优化

最佳结果：

  1. 使用GPU（实用使用必需）
  2. 预计算ESM嵌入以供重复蛋白质使用
  3. 批量处理多个复合物
  4. 从默认参数开始，然后根据需要调整
  5. 验证蛋白质结构（解决缺失残基）
  6. 使用规范SMILES用于配体

图形用户界面

交互式使用，启动网络界面：

python app/main.py
# 导航至http://localhost:7860

或使用在线演示无需安装：

资源

助手脚本（scripts/）

prepare_batch_csv.py：创建和验证批量输入CSV文件

  • 创建带有示例条目的模板
  • 验证文件路径和SMILES字符串
  • 检查必需列和格式问题

analyze_results.py：分析置信度分数和排名预测

  • 解析单个或批量运行结果
  • 生成统计摘要
  • 导出到CSV以供下游分析
  • 识别跨复合物的顶级预测

setup_check.py：验证DiffDock环境设置

  • 检查Python版本和依赖项
  • 验证PyTorch和CUDA可用性
  • 测试RDKit和PyTorch Geometric安装
  • 如果需要，提供安装说明

参考文档（references/）

parameters_reference.md：完整参数文档

  • 所有命令行选项和配置参数
  • 默认值和可接受范围
  • 温度参数用于控制多样性
  • 模型检查点位置和版本标志

当用户需要时阅读此文件：

  • 详细参数解释
  • 特定系统的微调指导
  • 替代采样策略

confidence_and_limitations.md：置信度分数解释和工具限制

  • 详细置信度分数解释
  • 何时信任预测
  • DiffDock的范围和限制
  • 与补充工具集成
  • 故障排除预测质量

当用户需要时阅读此文件：

  • 帮助解释置信度分数
  • 理解何时不使用DiffDock
  • 结合其他工具的指导
  • 验证策略

workflows_examples.md：全面工作流示例

  • 详细安装说明
  • 所有工作流的逐步示例
  • 高级集成模式
  • 故障排除常见问题
  • 最佳实践和优化提示

当用户需要时阅读此文件：

  • 带代码的完整工作流示例
  • 与GNINA、OpenMM或其他工具集成
  • 虚拟筛选工作流
  • 集成对接程序

资产（assets/）

batch_template.csv：批量处理模板

  • 预先格式化的CSV，带必需列
  • 示例条目显示不同输入类型
  • 准备用实际数据自定义

custom_inference_config.yaml：配置模板

  • 带所有参数的注释YAML
  • 四个常见使用案例的预设配置
  • 详细注释解释每个参数
  • 准备自定义和使用

最佳实践

  1. 始终使用setup_check.py验证环境，在开始大型作业前
  2. 使用prepare_batch_csv.py验证批量CSV，早期捕获错误
  3. 从默认开始，然后根据系统特定需求调整参数
  4. 生成多个样本（10-40）以获得稳健预测
  5. 视觉检查顶级构象，在下游分析前
  6. 结合评分函数进行亲和力评估
  7. 使用置信度分数进行初步排名，而非最终决策
  8. 预计算嵌入用于虚拟筛选活动
  9. 记录使用参数以确保可重复性
  10. 实验验证结果，如果可能

引用

使用DiffDock时，引用适当论文：

DiffDock-L（当前默认模型）：

Stärk et al. (2024) "DiffDock-L: Improving Molecular Docking with Diffusion Models"
arXiv:2402.18396

原始DiffDock：

Corso et al. (2023) "DiffDock: Diffusion Steps, Twists, and Turns for Molecular Docking"
ICLR 2023, arXiv:2210.01776

附加资源