diffdock（扩散对接模型）Skill 是什么？如何下载安装？

扩散对接模型Skill：用扩散模型一键预测蛋白质-配体结合姿态

核心结论速览

它是谁：扩散对接模型Skill（英文名 diffdock，技能ID 11968），把 DiffDock 这款基于扩散模型的分子对接工具封装为可被 AI 助手直接调用的技能，输入蛋白质结构与配体信息，就能输出 3D 结合姿态与置信分数。
它做什么：预测小分子配体在蛋白质上的结合姿态（3D 结构）与模型置信度，用于虚拟筛选与结构基础药物设计；它不做亲和力预测（不输出 ΔG、Kd）。
怎么用：既可以在 AI 技能平台按技能ID检索并"一键安装"到助手中用自然语言下达任务，也可以在本地按 Conda / Docker 两种方式部署完整运行环境。
门槛与成本：强烈推荐 GPU（比 CPU 快 10—100 倍），模型检查点约 500MB 会在首次运行时自动下载，首次运行还需预计算查找表约 2—5 分钟。
最适合谁：做结构基础药物发现、化学生物学、虚拟筛选的计算化学与 AI 制药团队，以及需要快速获得"配体大概结合在哪"的研究者。

该技能叫什么？如何下载安装 AI 技能提升开发效率？

技能身份信息

项目	内容
技能中文名	扩散对接模型Skill
技能英文名	diffdock
技能ID	11968
底层工具	DiffDock（含当前默认模型 DiffDock-L）
核心能力	蛋白质-配体 3D 结合姿态预测 + 置信分数生成
明确不做	结合亲和力预测、蛋白质-蛋白质对接、共价对接

它到底解决什么问题

传统分子对接依赖打分函数与搜索算法，在面对柔性配体、结合位点不明确的靶点时，容易陷入局部最优，且高度依赖人工设定搜索盒子（binding box）。扩散对接模型Skill 把分子对接重新表述为"从噪声中逐步去噪生成姿态"的生成式问题：模型直接给出多个候选结合姿态排序，并附上置信分数，让研究者在不需要预先指定结合口袋的前提下，快速拿到一批可解释、可排序的候选构象。它特别适合"这个分子可能结合在哪里"这类探索性问题，以及化合物库的初筛排序。

需要特别强调边界：DiffDock 输出的是结构（姿态）和确定性（置信度），不是结合强弱（亲和力）。因此官方指引要求始终配合 GNINA、MM/GBSA 等评分函数做亲和力再评估。

一键安装：把技能装进你的 AI 助手

思路是"先有助手，再装技能，最后验证"。具体步骤如下：

准备前提：拥有一个支持安装 AI 技能的助手/客户端账号，且具备可用的技能市场或技能库入口。
检索技能：在技能市场中检索技能ID 11968，或直接搜索中文名"扩散对接模型"、英文名"diffdock"。
一键安装：点击安装并启用该技能，授权其在需要时读取文件（如 PDB 文件）与执行任务。具体按钮位置、权限项与计费方式以官方说明为准。
验证是否生效：安装完成后，用一句自然语言试探，例如"帮我把这个配体对接一下这个蛋白质结构"，观察助手是否会按 DiffDock 的工作流引导你提供 PDB 文件与 SMILES。若技能正常挂载，助手会主动询问蛋白质来源、配体格式与输出目录。

本地运行环境安装（真实命令，来自技能详情）

如果你需要跑完整计算，必须准备本地环境。技能详情提供了两种安装选项：

检查环境状态（务必先做）

python scripts/setup_check.py

该脚本会验证 Python 版本、带 CUDA 的 PyTorch、PyTorch Geometric、RDKit、ESM 等依赖项，并给出缺失项的安装指引。

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

三条重要提示：强烈推荐使用 GPU；首次运行会预计算 SO(2)/SO(3) 查找表，耗时约 2—5 分钟；模型检查点（约 500MB）若本地不存在会自动下载。若希望零安装先体验，可使用官方在线演示（地址见技能详情中的资源链接，以官方说明为准）。

该技能的主要功能和特点

生成式姿态预测：用扩散模型直接生成配体在蛋白口袋中的 3D 结合姿态，而不是逐格点搜索，天然支持多模态输出。
蛋白质输入双通道：既支持结构文件（PDB），也支持仅给氨基酸序列——此时通过 ESMFold 折叠后再对接，非常适合尚无实验结构的靶点。
配体格式兼容广：支持 SMILES 字符串，也支持 SDF、MOL2 等结构文件，RDKit 生态可直接衔接。
内置置信分数体系：输出 confidence score 并按分数分层（>0 高、-1.5 到 0 中、<-1.5 低），帮助快速排雷。
单条与批量统一接口：单复合物用 --protein_path + --ligand，批量用 CSV（--protein_ligand_csv），可直接支撑虚拟筛选。
专为大规模筛选优化：支持预计算 ESM 蛋白质嵌入（esm_embedding_preparation.py），同一靶点筛上千化合物时显著提速。
配套脚本齐全：prepare_batch_csv.py 生成并校验批量 CSV、analyze_results.py 解析与排名置信分数并导出 CSV、setup_check.py 诊断环境，形成完整闭环。
参数可调、预设可用：采样数、推理步数、扭转温度等均可调，配置模板内置"高精度 / 快速筛选 / 柔性配体 / 刚性配体"四套预设。
支持集成对接：对已知柔性的蛋白，可将同一配体对接到多个构象（ensemble），提高命中率。
提供图形界面：python app/main.py 启动 Web 界面，适合不熟悉命令行的用户交互式使用。

与普通对接工具相比强在哪：不需要人工定义搜索盒子；把"打分排序"升级为"生成+置信度排序"；对序列输入原生友好；批量与筛选工作流的脚本化程度更高。

如何使用该技能？

步骤一：确认环境

先运行 python scripts/setup_check.py，确认 CUDA 可用。可用下面一行验证 GPU：

python -c "import torch; print(torch.cuda.is_available())"

若返回 False，请先配置 GPU 环境，否则速度会慢 10—100 倍。

步骤二：单个蛋白质-配体对接

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

示例中 CC(=O)Oc1ccccc1C(=O)O 即阿司匹林的 SMILES，protein.pdb 替换为你的靶点结构。

如果只有序列没有结构：

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

步骤三：读输出

输出目录结构固定，默认为 10 个采样姿态：

results/single_docking/
├── rank_1.sdf          # 最高排名姿态
├── rank_2.sdf
├── ...
├── rank_10.sdf
└── confidence_scores.txt

用 PyMOL 等工具打开 rank_1.sdf 与蛋白结构叠加，肉眼判断结构是否合理（是否落在合理口袋、有无穿模）。

步骤四：批量对接（虚拟筛选）

先准备并校验 CSV：

python scripts/prepare_batch_csv.py --create --output batch_input.csv
python scripts/prepare_batch_csv.py my_input.csv --validate

CSV 必填四列：complex_name、protein_path、ligand_description、protein_sequence（用结构则序列留空，用序列则路径留空）。随后运行：

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

化合物数超过 100 个时，先预计算嵌入：

python datasets/esm_embedding_preparation.py \
  --protein_ligand_csv screening_input.csv \
  --out_file protein_embeddings.pt

再带 --esm_embeddings_path protein_embeddings.pt 运行推理。

步骤五：分析与调参

python scripts/analyze_results.py results/batch/ --top 5
python scripts/analyze_results.py results/batch/ --threshold 0.0 --export summary.csv

调参要点：困难体系把 samples_per_complex 从 10 提到 20—40；追求精度把 inference_steps 从 20 提到 25—30；柔性配体把 temp_sampling_tor 从 7.04 提到 8—10，刚性配体降到 5—6。

同类型竞品对比分析

方案名称	定位	核心功能	安装/使用门槛	适用场景	优势与不足
扩散对接模型Skill（diffdock）	生成式深度学习对接	姿态生成、置信分数、序列输入、批量筛选	需 Conda/Docker + GPU；技能形态可自然语言调用	探索性对接、虚拟筛选初筛、无结构靶点	优势：免设搜索盒、多姿态输出、批量脚本完善；不足：不预测亲和力，膜蛋白与大配体表现不稳
AutoDock Vina	经典经验打分对接	基于打分函数的构象搜索	轻量，CPU 可跑，生态与教程极多	常规小分子对接、教学、快速验证	优势：门槛低、速度快、结果可复现；不足：需人工定义搜索盒，柔性配体易失真
GNINA	神经网络打分对接	CNN 打分 + 构象搜索	中等，需 GPU 更佳	对已有姿态重新打分排序	优势：打分比传统函数更接近实验；不足：本质仍是打分工具，不解决姿态生成的多样性
AlphaFold-Multimer / DiffDock-PP	大分子复合物结构预测	蛋白质-蛋白质复合物建模	较高，算力需求大	蛋白-蛋白相互作用	优势：覆盖大分子体系；不足：不适用于小分子配体对接

选型建议：想快速拿到"配体可能结合在哪"的候选构象 → 用本技能；已有姿态需要判断"结合得多强" → 用 GNINA 或 MM/GBSA；蛋白-蛋白体系 → 换用 DiffDock-PP 或 AlphaFold-Multimer。官方推荐的工作流正是：DiffDock 出姿态 → 可视化检查 → GNINA/MM-GBSA 再打分 → 实验验证。

该技能的典型应用场景与实际体验情况

场景一：药化团队的先导化合物结合模式假设 角色是药物化学研究员，手上有靶点晶体结构和一个新设计的分子。痛点是传统对接要反复试搜索盒，且只给一个"最佳"姿态。使用方式是提供 PDB 与 SMILES，跑默认 10 个采样，挑前 3—5 个姿态看共识。实际体验：上手极快，一条命令出结果；注意点是要看多个姿态而非只看 rank_1.sdf，且高置信度只代表"模型对结构确定"，不代表"结合强"。

场景二：化合物库虚拟筛选初筛 角色是计算化学/干实验人员，需要从数百上千化合物中挑出值得合成的分子。使用方式是用 CSV 批量 + 预计算 ESM 嵌入，再用 analyze_results.py --threshold 0.0 过滤。实际体验：脚本化程度高，CSV 校验功能能提前抓住路径和 SMILES 错误；但需注意一次性处理大库时要降 --batch_size 避免显存溢出。

场景三：只有序列、没有实验结构的靶点 角色是化学生物学方向的研究者，靶点只有氨基酸序列。使用方式是直接传 --protein_sequence，由 ESMFold 折叠后对接。实际体验：省去了自己建模的步骤，是从序列到结合姿态假设的一条龙路径；注意点是没有实验结构时结果不确定性更高，务必看置信分数并做可视化核查。

场景四：已知柔性口袋的多构象对接 角色是结构生物学背景的建模人员。使用方式是构造 ensemble CSV，把同一配体分别对接到 conf1/conf2/conf3 多个构象，并把 --samples_per_complex 提到 20。实际体验：对口袋开合明显的靶点明显更稳；代价是运行时间成倍增加，建议先小规模试跑。

整体体验小结：命令与配置清晰，配套脚本把"校验—运行—分析"三段补齐，属于容易上手但需要一定结构生物学常识才能正确解读结果的工具。最容易踩的坑有三个：用 CPU 硬跑导致慢到怀疑人生、蛋白质结构缺失残基未处理导致姿态不合理、把置信分数当亲和力使用。

该技能能为用户带来的价值

效率提升：单复合物一次推理产出 10 个排序姿态，省去反复调搜索盒与多次试算的时间；批量与预计算嵌入让同一靶点筛上百化合物成为常规操作。
门槛降低：蛋白质侧只需 PDB 或一段序列，配体侧只需 SMILES 或 SDF，非计算背景的实验人员借助技能的自然语言调用也能跑通流程；不想用命令行还可启动 Web 界面。
决策质量提升：置信分数提供明确的三档判读标准（>0 高、-1.5 至 0 中、<-1.5 低），配合 analyze_results.py 的跨复合物排名，可以快速把资源集中在最值得验证的候选上。
可量化的成本节约：官方明确 GPU 比 CPU 快 10—100 倍，选对硬件本身就是最大的时间成本节省；预计算嵌入避免重复计算同一蛋白的表示。
长期价值：作为结构基础药物设计链条中的"姿态生成"环节，可与 GNINA、MM/GBSA、FEP 等形成标准流水线，产物（SDF + 置信 CSV）可直接进入下游分析，形成可复用、可复现的工作资产。

常见问题 FAQ

Q1：怎么安装？一定要自己配环境吗？ 两种路径。轻量路径是在 AI 技能平台按技能ID 11968 检索并一键安装该技能，用自然语言下达对接任务，具体入口与权限以官方说明为准；完整路径是本地部署，Conda（conda env create --file environment.yml）或 Docker（docker pull rbgcsail/diffdock）二选一，装完先跑 python scripts/setup_check.py 验证。

Q2：收费吗？ 技能本身的功能来源于开源项目 DiffDock（GitHub 公开仓库），论文与代码均可获取。但平台侧的安装与调用是否收费、以及本地运行所需的 GPU 算力成本，均以官方说明为准，建议安装前先确认计费规则。

Q3：它能告诉我这个分子结合得多强吗？ 不能。DiffDock 明确只预测结合姿态与置信度，不输出 ΔG、Kd 等亲和力指标，官方也明确"不用于亲和力预测"。要评估结合强弱，请把生成的姿态交给 GNINA（快速神经网络打分）或 MM/GBSA（更准但更慢），必要时做 FEP/TI 自由能计算。

Q4：适合谁用？有什么明确不能用的场景？ 适合做小分子（约 100—1000 Da）对接、虚拟筛选、先导优化的研究者，也支持小于 20 个残基的小肽。不适用于蛋白质-蛋白质对接（应用 DiffDock-PP 或 AlphaFold-Multimer）、大于 20 个残基的大肽、共价对接、亲和力预测，以及膜蛋白（未专门训练，需谨慎）。

Q5：结果置信分数都很低怎么办？和竞品怎么选？ 先排查三类原因：配体过大或异常、结合位点不明确、蛋白柔性大。对策是把 samples_per_complex 提到 20—40、尝试多构象集成对接、检查蛋白结构是否缺失残基。竞品选择上，本技能强在"免搜索盒的生成式姿态 + 批量筛选"；若你只需要快速验证单个已知口袋、且没有 GPU，AutoDock Vina 更轻；若你已有姿态只想重打分，GNINA 更合适。