尧图网页设计 
最近在系统学习计算辅助药物设计这块内容拿到一份 2026 版的 AI 虚拟筛选与生信全套视频课程整体看下来内容覆盖确实比较全。这套课程从生信环境搭建、分子数据处理、分子对接到 AI 模型训练和虚拟筛选实战都有涉及视频、代码、数据集打包在一起很适合零基础入门后再逐步进阶。本文就把这套课程的核心学习路线和关键知识点整理成一份可复用的技术笔记包含完整代码示例、运行思路和常见的排错方案不管是刚接触虚拟筛选的新手还是已经在做生信分析想补 AI 方向的开发者都可以直接参考。1. 虚拟筛选到底是什么1.1 从一个药物发现场景说起传统药物发现流程中研究人员需要从海量化合物里寻找能够与靶点蛋白结合并调节其活性的小分子。这个过程如果全靠湿实验逐一验证成本高、周期长、成功率也不稳定。为了缩小候选化合物范围计算模拟方法被引入到药物研发早期阶段。虚拟筛选就是通过计算机从大规模化合物库中挑选出可能具有活性的分子再将这些候选分子交给实验人员做进一步验证。虚拟筛选不是要替代实验而是要降低实验筛选的试错成本。它可以基于已知活性分子的结构特征去搜索相似分子也可以基于靶点蛋白的三维结构去预测小分子与蛋白的结合模式。前者的代表方法是基于配体的虚拟筛选后者的代表方法是基于结构的虚拟筛选。实际项目中两种方法经常组合使用先根据结构做初步筛选再用相似性方法做二次排序。1.2 为什么现在 AI 虚拟筛选这么热AI 与虚拟筛选结合之后整个流程又发生了很大的变化。传统的打分函数大多基于物理化学经验公式计算速度快但精度有限AI 模型则可以从大量已知活性数据中自动学习分子与蛋白相互作用的特征在打分精度、活性预测和分子生成方面表现出更强的潜力。目前 AI 在虚拟筛选中的典型应用包括用深度学习模型预测分子活性例如基于分子指纹或图结构的分类、回归模型用生成模型设计全新分子例如 VAE、GAN 或强化学习生成满足活性约束的候选结构用机器学习对分子对接结果进行重打分提升虚拟筛选富集率用图神经网络建模分子结构捕捉原子与化学键之间的拓扑关系。课程前半部分先不讲这些复杂的算法而是从数据、工具、基本流程入手把基础打牢后再进入模型部分。这在学习路线上是合理的因为 AI 模型训练的输入数据本质上就是分子结构和活性数据如果基础数据规范没做好模型效果很难保证。1.3 虚拟筛选的标准流程一个完整的虚拟筛选流程通常包含以下步骤获取靶点蛋白结构从 PDB 数据库下载蛋白晶体结构或通过同源建模获得受体结构准备蛋白结构去除水分子、添加氢原子、修补缺失残基、定义结合口袋构建小分子化合物库来源包括 ZINC、ChEMBL、Enamine REAL 等公开库也可以是自建库小分子预处理生成 3D 构象、分配质子化状态、计算部分电荷分子对接或 AI 预测将小分子对接到结合口袋计算结合亲和力或直接用模型打分结果分析对打分排序、聚类分析、目视检查关键相互作用挑选候选分子。这套课程的所有实战内容基本都围绕这个流程展开下面我们按照同样顺序来拆解。2. 环境准备与工具链选型2.1 基础运行环境虚拟筛选涉及分子处理、对接和 AI 模型训练环境配置是整个流程中最容易劝退新手的环节。课程中推荐的环境方案如下具体版本可根据实际情况调整。操作系统建议使用 Linux 或 Windows WSL2因为分子对接和深度学习框架在 Linux 下的兼容性最好。如果只做轻量学习Windows 也可以运行但要注意部分对接程序的编译环境依赖。Python 环境建议使用 Anaconda 管理创建独立虚拟环境避免依赖冲突。核心依赖包括RDKit分子结构处理工具包处理 SMILES、SDF、分子指纹等NumPy / Pandas数据处理Matplotlib / Seaborn结果可视化scikit-learn传统机器学习模型PyTorch / TensorFlow深度学习模型视课程章节需要AutoDock Vina分子对接程序Open Babel分子文件格式转换。创建环境的命令如下conda create -n vscreen python3.10 -y conda activate vscreen conda install -c conda-forge rdkit openbabel -y pip install numpy pandas matplotlib seaborn scikit-learn2.2 分子对接工具准备课程中分子对接部分以 AutoDock Vina 为主要工具兼容性好、开源免费、计算速度快适合新手学习。Vina 的安装方式取决于操作系统。Linux 下可以直接下载预编译二进制文件放进系统 PATH。Windows 下建议使用 WSL 或从官方渠道获取可执行文件。安装完成后建议验证一下版本vina --version如果终端能正常输出版本号说明对接工具已经就绪。课程中还有部分章节演示了商业软件 Discovery Studio 和 Schr\u00f6dinger Glide 的操作如果你手头没有商业软件许可证用 Vina 跟着思路走也一样能掌握虚拟筛选的核心逻辑。2.3 数据集准备虚拟筛选需要用到靶点蛋白结构和小分子数据库。常用的公开数据源包括RCSB PDB蛋白晶体结构数据库通过 PDB ID 获取结构ZINC 数据库大规模可购买化合物库支持按物化性质筛选下载ChEMBL生物活性数据数据库适合训练 AI 活性预测模型PubChem化合物结构、生物活性、文献数据综合平台。课程附带的资料中已经准备好了几个常用数据集包括用于演示对接流程的小分子库、用于模型训练的活性数据文件。自己练习时可以直接使用这些公开数据源避免版权和合规风险。3. 分子数据处理核心技能3.1 分子表示与 SMILES 入门分子结构在计算机里有多种表示方式最常见的是 SMILES 字符串例如苯丙氨酸的 SMILES 为N[CH](Cc1ccccc1)C(O)O。SMILES 是线性表示便于存储和检索但丢失了三维坐标信息。进行分子对接之前需要将 SMILES 转换为带 3D 坐标的构象。RDKit 是最常用的分子处理工具。下面看一个用 RDKit 将 SMILES 转为 3D 结构的示例from rdkit import Chem from rdkit.Chem import AllChem from rdkit.Chem import Descriptors # 输入 SMILES smiles N[CH](Cc1ccccc1)C(O)O # 从 SMILES 构建分子对象 mol Chem.MolFromSmiles(smiles) if mol is None: print(SMILES 解析失败请检查字符串格式) exit(1) # 添加氢原子 mol Chem.AddHs(mol) # 生成 3D 构象 result AllChem.EmbedMolecule(mol, randomSeed42) if result ! 0: print(3D 构象生成失败尝试使用 ETKDG 方法) AllChem.EmbedMolecule(mol, AllChem.ETKDGv3(), randomSeed42) # 对构象做力学优化 AllChem.MMFFOptimizeMolecule(mol) # 输出分子量验证分子是否正常 print(分子量:, Descriptors.MolWt(mol)) print(SMILES:, Chem.MolToSmiles(mol))关键点说明Chem.AddHs步骤不能省略尤其是后续做对接或力场计算时氢原子会影响电荷和相互作用EmbedMolecule负责生成初始 3D 坐标randomSeed固定后结果可复现MMFFOptimizeMolecule对构象做局部优化让分子几何更合理。3.2 分子文件格式与转换虚拟筛选流程中经常遇到格式转换需求例如把 Mol2 转 PDBQT、把 SDF 转 SMILES、把 SMILES 批量转 3D SDF。PDBQT 格式是 AutoDock 系列工具的标准输入格式在原子坐标基础上增加了原子类型和电荷信息。课程中常用 Open Babel 做格式转换命令行方式如下obabel input.sdf -O output.pdbqt -p 7.4-p 7.4表示在 pH 7.4 条件下质子化模拟生理环境下的分子状态。如果是批量转换多个分子可以直接指定 SDF 文件作为输入。RDKit 也能完成类似工作而且与 Python 生态集成的更好。将批量 SMILES 转为 SDF 文件的示例import pandas as pd from rdkit import Chem from rdkit.Chem import AllChem # 示例数据 data { name: [mol1, mol2], smiles: [CC(O)Oc1ccccc1C(O)O, CCO] } df pd.DataFrame(data) w Chem.SDWriter(output.sdf) for _, row in df.iterrows(): mol Chem.MolFromSmiles(row[smiles]) if mol is None: continue mol Chem.AddHs(mol) AllChem.EmbedMolecule(mol, randomSeed42) AllChem.MMFFOptimizeMolecule(mol) mol.SetProp(_Name, row[name]) w.write(mol) w.close() print(转换完成共写入 {} 个分子.format(len(df)))这里需要注意 SDF 文件中的_Name属性对接结束后要根据名称把打分结果对应回原化合物名称是唯一的关联字段。3.3 分子指纹与相似性搜索在做基于配体的虚拟筛选时分子指纹是核心工具。分子指纹将分子结构编码成固定长度的二进制向量通过比较向量之间的相似度如 Tanimoto 系数来寻找与已知活性分子结构相似的候选化合物。RDKit 中计算 Morgan 指纹的示例from rdkit import Chem from rdkit.Chem import AllChem from rdkit.DataStructs import TanimotoSimilarity # 查询分子和候选分子 query Chem.MolFromSmiles(CC(O)Oc1ccccc1C(O)O) candidate Chem.MolFromSmiles(CC(O)Oc1ccc(Cl)cc1C(O)O) # 生成 Morgan 指纹半径 21024 位 fp_query AllChem.GetMorganFingerprintAsBitVect(query, 2, nBits1024) fp_candidate AllChem.GetMorganFingerprintAsBitVect(candidate, 2, nBits1024) # 计算 Tanimoto 相似度 similarity TanimotoSimilarity(fp_query, fp_candidate) print(Tanimoto 相似度:, round(similarity, 4))Tanimoto 相似度取值 0 到 1数值越大表示两个分子越相似。实际虚拟筛选中通常会设定一个阈值例如 0.7筛选出与已知活性分子相似度超过阈值的化合物再做分子对接验证。这种方式计算速度快适合处理百万级化合物库。4. 分子对接完整实战4.1 对接前准备蛋白结构处理分子对接的第一步是准备受体蛋白结构。课程中强调从 PDB 下载的晶体结构通常带有水分子、配体、金属离子等直接拿去对接会影响结果必须先做清理。以典型的激酶靶点为例处理流程如下下载 PDB 结构文件例如1A4G.pdb去除水分子和无关配体添加氢原子转化为 PDBQT 格式。使用 Open Babel 快速清理蛋白并转换格式obabel 1A4G.pdb -O receptor.pdbqt -xr-xr表示去除配体。如果还想去除水分子可以先用文本工具过滤掉包含HOH的行再进行转换。更推荐的做法是使用 ADFRsuite 或 MGLTools 中的 prepare_receptor4.py 脚本它专门用于 AutoDock 系列工具的受体准备能正确处理原子类型和电荷。4.2 定义结合口袋结合口袋是配体分子可能结合的蛋白区域。口袋定义是否准确直接影响对接结果。常见做法有两种一是根据已知共晶配体的坐标定义口袋即将配体周围一定范围内的残基视为结合位点二是用预测工具如 FPocket预测可能的结合腔。在 Vina 中结合口袋通过中心坐标和盒子尺寸定义。假设已知共晶配体中心坐标为x10, y20, z30盒子尺寸为20 x 20 x 20埃配置如下receptor receptor.pdbqt ligand ligand.pdbqt center_x 10 center_y 20 center_z 30 size_x 20 size_y 20 size_z 20 exhaustiveness 16 num_modes 9exhaustiveness控制搜索深度值越大结果越可靠但耗时越长。课程中的建议是先用 8 快速试跑确认流程无误后再增加到 32 做正式计算。4.3 运行 AutoDock Vina 对接将上述参数保存为conf.txt然后命令行运行vina --config conf.txt --out result.pdbqt --log log.txt如果一切正常result.pdbqt中会包含多个对接构象log.txt中会记录每个构象的 Vina 打分单位 kcal/mol。打分越负表示预测结合亲和力越强。通常打分低于 -7.0 kcal/mol 的配体值得重点关注。4.4 对接结果批量处理与排序虚拟筛选面对的是成百上千个小分子不可能一个个手动运行 Vina。课程中是先准备多个配体文件再用脚本批量对接。下面给出一个批量对接脚本的示例import subprocess import os import glob # 配体目录 ligand_dir ./ligands_pdbqt output_dir ./results os.makedirs(output_dir, exist_okTrue) # Vina 配置模板中心和盒子大小固定 conf_template receptor receptor.pdbqt ligand {ligand} center_x 10 center_y 20 center_z 30 size_x 20 size_y 20 size_z 20 exhaustiveness 16 num_modes 9 for ligand_file in glob.glob(os.path.join(ligand_dir, *.pdbqt)): name os.path.basename(ligand_file).replace(.pdbqt, ) print(正在对接:, name) conf_file f/tmp/conf_{name}.txt with open(conf_file, w) as f: f.write(conf_template.format(ligandligand_file)) out_file os.path.join(output_dir, f{name}_out.pdbqt) log_file os.path.join(output_dir, f{name}_log.txt) cmd [vina, --config, conf_file, --out, out_file, --log, log_file] subprocess.run(cmd, capture_outputTrue, textTrue) print(批量对接完成)运行完成后写一个解析脚本读取 log 文件汇总打分结果import glob import re import pandas as pd rows [] for log_file in glob.glob(results/*_log.txt): name log_file.split(/)[-1].replace(_log.txt, ) with open(log_file, r) as f: lines f.readlines() best_score None for line in lines: # Vina 日志中打分行形如: 1 -7.2 0.000 0.000 parts line.strip().split() if len(parts) 2 and parts[0].isdigit(): try: score float(parts[1]) if best_score is None or score best_score: best_score score except ValueError: continue rows.append({name: name, vina_score: best_score}) # 排序输出 Top 10 result_df pd.DataFrame(rows).dropna() result_df result_df.sort_values(vina_score) print(打分最低结合最强的前 10 个分子) print(result_df.head(10))课程中强调一个观点对接打分只是一个粗筛工具。打分靠前的分子不一定真有活性因为打分函数存在局限而且诱导契合效应无法完全模拟。因此虚拟筛选结果一定要结合后续的分子动力学模拟和湿实验验证。4.5 对接结果可视化选出候选分子后需要用 PyMOL 等工具查看结合模式确认分子是否与关键残基形成氢键、疏水相互作用等。PyMOL 打开对接结果的步骤比较简单load receptor.pdbqt load result.pdbqt hide everything show cartoon, receptor show sticks, result人工目视检查时重点观察配体是否完全落在结合口袋内部是否与已知的关键残基形成相互作用是否有明显的空间位阻冲突。如果一组分子与靶点的结合模式高度一致说明它们的结合模式有共性这类结果更可信。5. AI 模型在虚拟筛选中怎么用5.1 从对接打分到 AI 打分传统对接打分依赖物理势能函数AI 打分模型则从数据中学习。课程中演示了一种常见做法用已知活性数据训练一个分类模型输入分子指纹或分子图输出分子是否具有活性的概率。模型训练完成后可以对新化合物库做快速预测实现百万级化合物的快速筛选。这里的核心区别在于对接打分不需要标签数据但有明显近似误差AI 模型依赖高质量标注数据但预测速度极快实际项目倾向于两种方法结合先用 AI 模型粗筛再用分子对接精筛。5.2 构建分子活性预测模型下面是一个用 RDKit 计算分子描述符再用随机森林构建活性分类模型的完整示例。假设训练数据是 CSV 文件包含smiles和active两列active取值为 0 或 1。import pandas as pd import numpy as np from rdkit import Chem from rdkit.Chem import Descriptors from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import roc_auc_score, accuracy_score # 读取数据 df pd.read_csv(bioactivity_data.csv) print(数据总量:, len(df)) # 用 RDKit 计算分子描述符 descriptor_names [d[0] for d in Descriptors.descList] def compute_descriptors(smiles): mol Chem.MolFromSmiles(smiles) if mol is None: return [np.nan] * len(descriptor_names) desc_values [] for name, func in Descriptors.descList: try: desc_values.append(func(mol)) except Exception: desc_values.append(np.nan) return desc_values # 注意实际数据量大时不要用循环逐条计算建议向量化或分批处理 descriptors df[smiles].apply(compute_descriptors) X pd.DataFrame(descriptors.tolist(), columnsdescriptor_names) y df[active].values # 删除包含 NaN 的列 X X.dropna(axis1) print(描述符特征维度:, X.shape[1]) # 划分训练集和测试集 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42, stratifyy ) # 训练随机森林 model RandomForestClassifier(n_estimators300, random_state42) model.fit(X_train, y_train) # 评估 y_pred_proba model.predict_proba(X_test)[:, 1] y_pred model.predict(X_test) print(准确率:, round(accuracy_score(y_test, y_pred), 4)) print(AUC:, round(roc_auc_score(y_test, y_pred_proba), 4)) # 输出特征重要性 Top20 feature_importance pd.Series(model.feature_importances_, indexX.columns) top_features feature_importance.sort_values(ascendingFalse).head(20) print(Top20 重要描述符) print(top_features)这段代码有几个地方需要注意Descriptors.descList包含 200 多个分子描述符计算量较大数据量大时建议用并行优化描述符计算失败时用np.nan占位后续通过dropna处理stratifyy保证训练集和测试集中活性分子的比例一致避免类别不均衡带来的偏差随机森林的特征重要性可以帮你理解哪些分子性质对活性影响最大。5.3 深度学习模型的简单入门课程后半部分进入了深度学习方法以图神经网络为主。对于完全没有深度学习基础的读者这里建议先掌握以下几个概念分子图把原子看作节点、化学键看作边用图结构表示分子图神经网络通过消息传递机制学习节点和边的特征表示消息传递每个节点聚合邻居节点的信息更新自身特征经过多层迭代后得到整个图的表示。下面是用 PyTorch Geometric 实现一个简单 GNN 分类模型的骨架代码作为入门示例import torch import torch.nn.functional as F from torch_geometric.nn import GCNConv from torch_geometric.nn import global_mean_pool class MolGCN(torch.nn.Module): def __init__(self, num_node_features, hidden_dim64, num_classes2): super().__init__() self.conv1 GCNConv(num_node_features, hidden_dim) self.conv2 GCNConv(hidden_dim, hidden_dim) self.fc torch.nn.Linear(hidden_dim, num_classes) def forward(self, x, edge_index, batch): x self.conv1(x, edge_index) x F.relu(x) x F.dropout(x, p0.2, trainingself.training) x self.conv2(x, edge_index) x global_mean_pool(x, batch) x self.fc(x) return x课程中建议入门深度学习时先不要在模型结构上花太多时间重点是把数据准备逻辑搞清楚包括如何将 SMILES 转化为图数据如何划分训练集、验证集、测试集如何处理类别不均衡如何评估模型并防止过拟合。把这些问题想清楚后再更换更复杂的模型结构就会顺利很多。5.4 分子生成与反向设计除了预测打分AI 在虚拟筛选中的另一个重要方向是分子生成。课程中提到一种常见的生成策略训练一个变分自编码器或生成对抗网络将分子结构编码到潜在空间然后在潜在空间中进行插值或优化生成具有理想性质的新分子结构。生成式分子设计目前仍存在可合成性差、活性难以准确预测等问题更适合作为灵感来源而不是直接替代药物化学家的设计思路。实际项目中生成的分子通常还需要经过合成可行性评估和实验验证。6. 实战案例从零筛选一个靶点的候选化合物6.1 案例背景下面将课程中的一个实战案例整理出来完成一个完整的虚拟筛选小项目。目标靶点选择比较简单的丝氨酸蛋白酶任务是从一个包含 1000 个小分子的库中筛选出潜在抑制剂。整体流程为获取靶点蛋白结构准备小分子库并转换为 3D 结构批量分子对接汇总打分并挑选候选分子用 PyMOL 目视检查关键结合模式。6.2 准备小分子库课程附带的案例数据中小分子库以一个 CSV 文件给出包含化合物名称和 SMILES。我们先用 RDKit 将其转换为对接需要的 3D SDF。import pandas as pd from rdkit import Chem from rdkit.Chem import AllChem df pd.read_csv(compound_library.csv) print(化合物数量:, len(df)) w Chem.SDWriter(library_3d.sdf) success_count 0 for _, row in df.iterrows(): mol Chem.MolFromSmiles(row[smiles]) if mol is None: print(解析失败:, row[name]) continue mol Chem.AddHs(mol) ok AllChem.EmbedMolecule(mol, AllChem.ETKDGv3(), randomSeed42) if ok 0: AllChem.MMFFOptimizeMolecule(mol) mol.SetProp(_Name, str(row[name])) w.write(mol) success_count 1 else: print(3D 构象生成失败:, row[name]) w.close() print(成功写入分子数:, success_count)这一步需要注意如果EmbedMolecule返回非 0 值说明构象生成失败可能是分子过于柔性或含有特殊元素。课程中的建议是可以尝试增加构象生成次数例如AllChem.EmbedMolecule(mol, AllChem.ETKDGv3(), randomSeed42, numThreads0, maxIterations500)。6.3 将 SDF 转换为 PDBQT对接前需要将 SDF 转换为 PDBQT这里用 Open Babel 批量处理obabel library_3d.sdf -O library_3d.pdbqt -p 7.4 --multi--multi参数表示保留多个分子输出到一个文件。如果后续要并行对接也可以拆分成多个单分子文件。6.4 进行对接并获取打分根据前面 4.4 节的批量对接脚本将受体和配体文件路径替换为实际路径运行即可。跑完后汇总打分表现例如import pandas as pd result_df pd.read_csv(docking_results.csv) top_candidates result_df.sort_values(vina_score).head(20) print(Top20 候选分子:) print(top_candidates[[name, vina_score]])6.5 候选分子人工审查最终的人工审查非常关键。课程中建议从以下三个维度判断候选分子结合模式是否合理关键极性残基是否形成氢键分子是否容易合成是否存在复杂的立体中心、稀有结构片段类药性质是否合格分子量、LogP、可旋转键数、氢键供体/受体数量是否符合类药规则。如果有药物化学背景这一步可以发挥很大作用即使没有背景至少也应该把打分靠前的分子文件整理好交给合作方或实验团队做后续判断。7. 常见问题与排查思路虚拟筛选流程长、涉及工具多新手很容易在不同环节踩坑。下表总结了课程中反复出现的高频问题。问题现象可能原因解决思路RDKit 无法解析 SMILESSMILES 格式错误、元素类型不支持用Chem.MolFromSmiles返回 None 时检查 SMILES 是否规范不支持的原子类型需要检查来源数据3D 构象生成失败分子过大、柔性过强、初始坐标问题增加maxIterations固定随机种子尝试不同版本 ETKDG仍然失败则剔除该分子Open Babel 转换 PDBQT 报错原子类型映射失败、电荷缺失检查分子是否含有特殊元素使用-p 7.4参数指定质子化状态确认 PDBQT 文件输出目录可写Vina 运行找不到受体PDBQT 格式不规范重新用prepare_receptor4.py或 Open Babel 转换确认受体结构中不包含异常残基对接结果全为高打分结合口袋定义有误、受体处理不当核对口袋中心坐标和盒子尺寸用已知活性配体验证对接流程批量对接脚本崩溃配体文件命名冲突、日志文件路径不合法给每个任务加唯一标识捕获子进程返回值输出错误日志AI 模型过拟合训练数据量不足、模型太复杂增加数据量、使用交叉验证、降低模型复杂度、增加正则化描述符计算全为 NaNSMILES 解析失败或特殊结构首先检查 SMILES 解析率利用 try-except 捕获单条失败数据排查问题时建议按照数据 → 格式 → 工具 → 参数的顺序来检查。大多数问题其实不是算法问题而是数据格式或路径问题。8. 虚拟筛选工程化最佳实践8.1 数据管理规范虚拟筛选项目涉及的数据文件非常多蛋白结构、配体文件、对接结果、日志、模型权重如果没有统一命名和目录规范很容易混乱。推荐的目录结构如下project/ ├── data/ │ ├── raw/ # 原始数据如 PDB、SMILES │ ├── processed/ # 预处理后的分子文件 │ └── external/ # 公开数据库下载的数据 ├── scripts/ # 所有处理脚本 ├── results/ │ ├── docking/ # 对接输出 │ ├── models/ # 训练好的模型 │ └── analysis/ # 分析图表 ├── conf/ # 配置文件 └── logs/ # 运行日志课程中还强调所有原始文件不要手动修改处理脚本应该重复可运行处理结果随时可以重新生成。原始数据本身是只读的这样可以避免无意破坏原始数据后无法追溯。8.2 可复现性控制虚拟筛选和 AI 训练都涉及随机过程可复现性直接影响结果可信度和实验可重复性。建议在每个脚本开头固定随机种子import random import numpy as np import torch random.seed(42) np.random.seed(42) torch.manual_seed(42)涉及到 RDKit 构象生成的随机种子也建议固定。对接工具 Vina 虽然有确定性但不同版本之间的打分可能有细微差异日志文件中应该记录工具版本号。8.3 推荐结果验证策略虚拟筛选结果的可靠性需要验证课程中给出了几个可行的策略已知活性分子验证把已知的活性分子放进化合物库作为阳性对照看它们是否排在前列诱饵分子验证加入一批与活性分子性质相似但不具有活性的诱饵分子decoy观察富集率结合模式一致性查看多个打分较高的候选分子是否与受体形成一致的相互作用模式如果结合模式混乱结果可信度较低动力学验证候选分子对筛选出的 Top 分子做分子动力学模拟验证结合稳定性。对于刚入门的读者至少应该先做阳性对照实验这一步能快速判断整个虚拟筛选流程是否可靠。8.4 高性能计算的注意事项当化合物库规模达到几十万甚至百万级时本地单机跑对接会非常耗时。课程中提到几个工程优化方向对接任务并行化不同化合物之间的对接相互独立天然适合并行调度GPU 加速AI 模型推理可以迁移到 GPU对接环节部分工具也支持 GPU 加速数据库缓存已经计算过的化合物保存结果避免重复计算分层筛选先用 AI 模型或2D 相似性做快速粗筛大幅缩小候选集后再做对接精筛。在正式生产环境或高算力集群上运行前建议先在小规模数据上完整跑通流程再提交大规模任务。9. 学习路线与后续方向9.1 零基础入门阶段如果是零基础建议按照课程顺序先把环境搭建、Python 基础、RDKit 分子处理、AutoDock Vina 对接这四个模块掌握。这个阶段的目标是跑通一个最小流程选择一个靶点准备 10 个小分子完成对接并获得打分结果。不要急着学习深度学习和分子生成。9.2 进阶提升阶段跑通最小流程后可以从以下方向逐步深入分子描述符与机器学习熟练使用 RDKit、scikit-learn构建自己的活性预测模型深度学习基础掌握 PyTorch 基础和张量操作理解图神经网络原理自动化脚本开发把数据处理、对接、结果解析串成一个完整的自动化 pipeline项目实战从公开数据库中构建一个完整的虚拟筛选项目完成从靶点到候选分子的闭环。9.3 拓展方向虚拟筛选只是计算辅助药物设计的一部分相关方向还包括分子动力学模拟评估蛋白-配体复合物的动态稳定性自由能微扰 FEP更精确地预测相对结合自由能药效团建模基于已知活性分子提取共同药效特征ADMET 预测评估候选分子的吸收、分布、代谢、排泄和毒性性质。AI 虚拟筛选是一个交叉领域需要不断积累化学、生物学和计算机科学三方面的知识。课程能帮你快速搭建体系框架但真正的提升还是来自持续的项目实践尤其是遇到问题、排查问题的过程。这套课程中值得反复学习的内容集中在分子对接实操、RDKit 数据处理和 AI 模型构建这几块。如果只是看视频不敲代码效果会大打折扣。建议每看完一个章节就动手把配套代码运行一遍再尝试修改参数或换一个数据集这样才能真正把知识变成自己的技能。 AI虚拟筛选与分子对接实战：从环境搭建到深度学习模型应用
最近在系统学习计算辅助药物设计这块内容拿到一份 2026 版的 AI 虚拟筛选与生信全套视频课程整体看下来内容覆盖确实比较全。这套课程从生信环境搭建、分子数据处理、分子对接到 AI 模型训练和虚拟筛选实战都有涉及视频、代码、数据集打包在一起很适合零基础入门后再逐步进阶。本文就把这套课程的核心学习路线和关键知识点整理成一份可复用的技术笔记包含完整代码示例、运行思路和常见的排错方案不管是刚接触虚拟筛选的新手还是已经在做生信分析想补 AI 方向的开发者都可以直接参考。1. 虚拟筛选到底是什么1.1 从一个药物发现场景说起传统药物发现流程中研究人员需要从海量化合物里寻找能够与靶点蛋白结合并调节其活性的小分子。这个过程如果全靠湿实验逐一验证成本高、周期长、成功率也不稳定。为了缩小候选化合物范围计算模拟方法被引入到药物研发早期阶段。虚拟筛选就是通过计算机从大规模化合物库中挑选出可能具有活性的分子再将这些候选分子交给实验人员做进一步验证。虚拟筛选不是要替代实验而是要降低实验筛选的试错成本。它可以基于已知活性分子的结构特征去搜索相似分子也可以基于靶点蛋白的三维结构去预测小分子与蛋白的结合模式。前者的代表方法是基于配体的虚拟筛选后者的代表方法是基于结构的虚拟筛选。实际项目中两种方法经常组合使用先根据结构做初步筛选再用相似性方法做二次排序。1.2 为什么现在 AI 虚拟筛选这么热AI 与虚拟筛选结合之后整个流程又发生了很大的变化。传统的打分函数大多基于物理化学经验公式计算速度快但精度有限AI 模型则可以从大量已知活性数据中自动学习分子与蛋白相互作用的特征在打分精度、活性预测和分子生成方面表现出更强的潜力。目前 AI 在虚拟筛选中的典型应用包括用深度学习模型预测分子活性例如基于分子指纹或图结构的分类、回归模型用生成模型设计全新分子例如 VAE、GAN 或强化学习生成满足活性约束的候选结构用机器学习对分子对接结果进行重打分提升虚拟筛选富集率用图神经网络建模分子结构捕捉原子与化学键之间的拓扑关系。课程前半部分先不讲这些复杂的算法而是从数据、工具、基本流程入手把基础打牢后再进入模型部分。这在学习路线上是合理的因为 AI 模型训练的输入数据本质上就是分子结构和活性数据如果基础数据规范没做好模型效果很难保证。1.3 虚拟筛选的标准流程一个完整的虚拟筛选流程通常包含以下步骤获取靶点蛋白结构从 PDB 数据库下载蛋白晶体结构或通过同源建模获得受体结构准备蛋白结构去除水分子、添加氢原子、修补缺失残基、定义结合口袋构建小分子化合物库来源包括 ZINC、ChEMBL、Enamine REAL 等公开库也可以是自建库小分子预处理生成 3D 构象、分配质子化状态、计算部分电荷分子对接或 AI 预测将小分子对接到结合口袋计算结合亲和力或直接用模型打分结果分析对打分排序、聚类分析、目视检查关键相互作用挑选候选分子。这套课程的所有实战内容基本都围绕这个流程展开下面我们按照同样顺序来拆解。2. 环境准备与工具链选型2.1 基础运行环境虚拟筛选涉及分子处理、对接和 AI 模型训练环境配置是整个流程中最容易劝退新手的环节。课程中推荐的环境方案如下具体版本可根据实际情况调整。操作系统建议使用 Linux 或 Windows WSL2因为分子对接和深度学习框架在 Linux 下的兼容性最好。如果只做轻量学习Windows 也可以运行但要注意部分对接程序的编译环境依赖。Python 环境建议使用 Anaconda 管理创建独立虚拟环境避免依赖冲突。核心依赖包括RDKit分子结构处理工具包处理 SMILES、SDF、分子指纹等NumPy / Pandas数据处理Matplotlib / Seaborn结果可视化scikit-learn传统机器学习模型PyTorch / TensorFlow深度学习模型视课程章节需要AutoDock Vina分子对接程序Open Babel分子文件格式转换。创建环境的命令如下conda create -n vscreen python3.10 -y conda activate vscreen conda install -c conda-forge rdkit openbabel -y pip install numpy pandas matplotlib seaborn scikit-learn2.2 分子对接工具准备课程中分子对接部分以 AutoDock Vina 为主要工具兼容性好、开源免费、计算速度快适合新手学习。Vina 的安装方式取决于操作系统。Linux 下可以直接下载预编译二进制文件放进系统 PATH。Windows 下建议使用 WSL 或从官方渠道获取可执行文件。安装完成后建议验证一下版本vina --version如果终端能正常输出版本号说明对接工具已经就绪。课程中还有部分章节演示了商业软件 Discovery Studio 和 Schr\u00f6dinger Glide 的操作如果你手头没有商业软件许可证用 Vina 跟着思路走也一样能掌握虚拟筛选的核心逻辑。2.3 数据集准备虚拟筛选需要用到靶点蛋白结构和小分子数据库。常用的公开数据源包括RCSB PDB蛋白晶体结构数据库通过 PDB ID 获取结构ZINC 数据库大规模可购买化合物库支持按物化性质筛选下载ChEMBL生物活性数据数据库适合训练 AI 活性预测模型PubChem化合物结构、生物活性、文献数据综合平台。课程附带的资料中已经准备好了几个常用数据集包括用于演示对接流程的小分子库、用于模型训练的活性数据文件。自己练习时可以直接使用这些公开数据源避免版权和合规风险。3. 分子数据处理核心技能3.1 分子表示与 SMILES 入门分子结构在计算机里有多种表示方式最常见的是 SMILES 字符串例如苯丙氨酸的 SMILES 为N[CH](Cc1ccccc1)C(O)O。SMILES 是线性表示便于存储和检索但丢失了三维坐标信息。进行分子对接之前需要将 SMILES 转换为带 3D 坐标的构象。RDKit 是最常用的分子处理工具。下面看一个用 RDKit 将 SMILES 转为 3D 结构的示例from rdkit import Chem from rdkit.Chem import AllChem from rdkit.Chem import Descriptors # 输入 SMILES smiles N[CH](Cc1ccccc1)C(O)O # 从 SMILES 构建分子对象 mol Chem.MolFromSmiles(smiles) if mol is None: print(SMILES 解析失败请检查字符串格式) exit(1) # 添加氢原子 mol Chem.AddHs(mol) # 生成 3D 构象 result AllChem.EmbedMolecule(mol, randomSeed42) if result ! 0: print(3D 构象生成失败尝试使用 ETKDG 方法) AllChem.EmbedMolecule(mol, AllChem.ETKDGv3(), randomSeed42) # 对构象做力学优化 AllChem.MMFFOptimizeMolecule(mol) # 输出分子量验证分子是否正常 print(分子量:, Descriptors.MolWt(mol)) print(SMILES:, Chem.MolToSmiles(mol))关键点说明Chem.AddHs步骤不能省略尤其是后续做对接或力场计算时氢原子会影响电荷和相互作用EmbedMolecule负责生成初始 3D 坐标randomSeed固定后结果可复现MMFFOptimizeMolecule对构象做局部优化让分子几何更合理。3.2 分子文件格式与转换虚拟筛选流程中经常遇到格式转换需求例如把 Mol2 转 PDBQT、把 SDF 转 SMILES、把 SMILES 批量转 3D SDF。PDBQT 格式是 AutoDock 系列工具的标准输入格式在原子坐标基础上增加了原子类型和电荷信息。课程中常用 Open Babel 做格式转换命令行方式如下obabel input.sdf -O output.pdbqt -p 7.4-p 7.4表示在 pH 7.4 条件下质子化模拟生理环境下的分子状态。如果是批量转换多个分子可以直接指定 SDF 文件作为输入。RDKit 也能完成类似工作而且与 Python 生态集成的更好。将批量 SMILES 转为 SDF 文件的示例import pandas as pd from rdkit import Chem from rdkit.Chem import AllChem # 示例数据 data { name: [mol1, mol2], smiles: [CC(O)Oc1ccccc1C(O)O, CCO] } df pd.DataFrame(data) w Chem.SDWriter(output.sdf) for _, row in df.iterrows(): mol Chem.MolFromSmiles(row[smiles]) if mol is None: continue mol Chem.AddHs(mol) AllChem.EmbedMolecule(mol, randomSeed42) AllChem.MMFFOptimizeMolecule(mol) mol.SetProp(_Name, row[name]) w.write(mol) w.close() print(转换完成共写入 {} 个分子.format(len(df)))这里需要注意 SDF 文件中的_Name属性对接结束后要根据名称把打分结果对应回原化合物名称是唯一的关联字段。3.3 分子指纹与相似性搜索在做基于配体的虚拟筛选时分子指纹是核心工具。分子指纹将分子结构编码成固定长度的二进制向量通过比较向量之间的相似度如 Tanimoto 系数来寻找与已知活性分子结构相似的候选化合物。RDKit 中计算 Morgan 指纹的示例from rdkit import Chem from rdkit.Chem import AllChem from rdkit.DataStructs import TanimotoSimilarity # 查询分子和候选分子 query Chem.MolFromSmiles(CC(O)Oc1ccccc1C(O)O) candidate Chem.MolFromSmiles(CC(O)Oc1ccc(Cl)cc1C(O)O) # 生成 Morgan 指纹半径 21024 位 fp_query AllChem.GetMorganFingerprintAsBitVect(query, 2, nBits1024) fp_candidate AllChem.GetMorganFingerprintAsBitVect(candidate, 2, nBits1024) # 计算 Tanimoto 相似度 similarity TanimotoSimilarity(fp_query, fp_candidate) print(Tanimoto 相似度:, round(similarity, 4))Tanimoto 相似度取值 0 到 1数值越大表示两个分子越相似。实际虚拟筛选中通常会设定一个阈值例如 0.7筛选出与已知活性分子相似度超过阈值的化合物再做分子对接验证。这种方式计算速度快适合处理百万级化合物库。4. 分子对接完整实战4.1 对接前准备蛋白结构处理分子对接的第一步是准备受体蛋白结构。课程中强调从 PDB 下载的晶体结构通常带有水分子、配体、金属离子等直接拿去对接会影响结果必须先做清理。以典型的激酶靶点为例处理流程如下下载 PDB 结构文件例如1A4G.pdb去除水分子和无关配体添加氢原子转化为 PDBQT 格式。使用 Open Babel 快速清理蛋白并转换格式obabel 1A4G.pdb -O receptor.pdbqt -xr-xr表示去除配体。如果还想去除水分子可以先用文本工具过滤掉包含HOH的行再进行转换。更推荐的做法是使用 ADFRsuite 或 MGLTools 中的 prepare_receptor4.py 脚本它专门用于 AutoDock 系列工具的受体准备能正确处理原子类型和电荷。4.2 定义结合口袋结合口袋是配体分子可能结合的蛋白区域。口袋定义是否准确直接影响对接结果。常见做法有两种一是根据已知共晶配体的坐标定义口袋即将配体周围一定范围内的残基视为结合位点二是用预测工具如 FPocket预测可能的结合腔。在 Vina 中结合口袋通过中心坐标和盒子尺寸定义。假设已知共晶配体中心坐标为x10, y20, z30盒子尺寸为20 x 20 x 20埃配置如下receptor receptor.pdbqt ligand ligand.pdbqt center_x 10 center_y 20 center_z 30 size_x 20 size_y 20 size_z 20 exhaustiveness 16 num_modes 9exhaustiveness控制搜索深度值越大结果越可靠但耗时越长。课程中的建议是先用 8 快速试跑确认流程无误后再增加到 32 做正式计算。4.3 运行 AutoDock Vina 对接将上述参数保存为conf.txt然后命令行运行vina --config conf.txt --out result.pdbqt --log log.txt如果一切正常result.pdbqt中会包含多个对接构象log.txt中会记录每个构象的 Vina 打分单位 kcal/mol。打分越负表示预测结合亲和力越强。通常打分低于 -7.0 kcal/mol 的配体值得重点关注。4.4 对接结果批量处理与排序虚拟筛选面对的是成百上千个小分子不可能一个个手动运行 Vina。课程中是先准备多个配体文件再用脚本批量对接。下面给出一个批量对接脚本的示例import subprocess import os import glob # 配体目录 ligand_dir ./ligands_pdbqt output_dir ./results os.makedirs(output_dir, exist_okTrue) # Vina 配置模板中心和盒子大小固定 conf_template receptor receptor.pdbqt ligand {ligand} center_x 10 center_y 20 center_z 30 size_x 20 size_y 20 size_z 20 exhaustiveness 16 num_modes 9 for ligand_file in glob.glob(os.path.join(ligand_dir, *.pdbqt)): name os.path.basename(ligand_file).replace(.pdbqt, ) print(正在对接:, name) conf_file f/tmp/conf_{name}.txt with open(conf_file, w) as f: f.write(conf_template.format(ligandligand_file)) out_file os.path.join(output_dir, f{name}_out.pdbqt) log_file os.path.join(output_dir, f{name}_log.txt) cmd [vina, --config, conf_file, --out, out_file, --log, log_file] subprocess.run(cmd, capture_outputTrue, textTrue) print(批量对接完成)运行完成后写一个解析脚本读取 log 文件汇总打分结果import glob import re import pandas as pd rows [] for log_file in glob.glob(results/*_log.txt): name log_file.split(/)[-1].replace(_log.txt, ) with open(log_file, r) as f: lines f.readlines() best_score None for line in lines: # Vina 日志中打分行形如: 1 -7.2 0.000 0.000 parts line.strip().split() if len(parts) 2 and parts[0].isdigit(): try: score float(parts[1]) if best_score is None or score best_score: best_score score except ValueError: continue rows.append({name: name, vina_score: best_score}) # 排序输出 Top 10 result_df pd.DataFrame(rows).dropna() result_df result_df.sort_values(vina_score) print(打分最低结合最强的前 10 个分子) print(result_df.head(10))课程中强调一个观点对接打分只是一个粗筛工具。打分靠前的分子不一定真有活性因为打分函数存在局限而且诱导契合效应无法完全模拟。因此虚拟筛选结果一定要结合后续的分子动力学模拟和湿实验验证。4.5 对接结果可视化选出候选分子后需要用 PyMOL 等工具查看结合模式确认分子是否与关键残基形成氢键、疏水相互作用等。PyMOL 打开对接结果的步骤比较简单load receptor.pdbqt load result.pdbqt hide everything show cartoon, receptor show sticks, result人工目视检查时重点观察配体是否完全落在结合口袋内部是否与已知的关键残基形成相互作用是否有明显的空间位阻冲突。如果一组分子与靶点的结合模式高度一致说明它们的结合模式有共性这类结果更可信。5. AI 模型在虚拟筛选中怎么用5.1 从对接打分到 AI 打分传统对接打分依赖物理势能函数AI 打分模型则从数据中学习。课程中演示了一种常见做法用已知活性数据训练一个分类模型输入分子指纹或分子图输出分子是否具有活性的概率。模型训练完成后可以对新化合物库做快速预测实现百万级化合物的快速筛选。这里的核心区别在于对接打分不需要标签数据但有明显近似误差AI 模型依赖高质量标注数据但预测速度极快实际项目倾向于两种方法结合先用 AI 模型粗筛再用分子对接精筛。5.2 构建分子活性预测模型下面是一个用 RDKit 计算分子描述符再用随机森林构建活性分类模型的完整示例。假设训练数据是 CSV 文件包含smiles和active两列active取值为 0 或 1。import pandas as pd import numpy as np from rdkit import Chem from rdkit.Chem import Descriptors from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split from sklearn.metrics import roc_auc_score, accuracy_score # 读取数据 df pd.read_csv(bioactivity_data.csv) print(数据总量:, len(df)) # 用 RDKit 计算分子描述符 descriptor_names [d[0] for d in Descriptors.descList] def compute_descriptors(smiles): mol Chem.MolFromSmiles(smiles) if mol is None: return [np.nan] * len(descriptor_names) desc_values [] for name, func in Descriptors.descList: try: desc_values.append(func(mol)) except Exception: desc_values.append(np.nan) return desc_values # 注意实际数据量大时不要用循环逐条计算建议向量化或分批处理 descriptors df[smiles].apply(compute_descriptors) X pd.DataFrame(descriptors.tolist(), columnsdescriptor_names) y df[active].values # 删除包含 NaN 的列 X X.dropna(axis1) print(描述符特征维度:, X.shape[1]) # 划分训练集和测试集 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42, stratifyy ) # 训练随机森林 model RandomForestClassifier(n_estimators300, random_state42) model.fit(X_train, y_train) # 评估 y_pred_proba model.predict_proba(X_test)[:, 1] y_pred model.predict(X_test) print(准确率:, round(accuracy_score(y_test, y_pred), 4)) print(AUC:, round(roc_auc_score(y_test, y_pred_proba), 4)) # 输出特征重要性 Top20 feature_importance pd.Series(model.feature_importances_, indexX.columns) top_features feature_importance.sort_values(ascendingFalse).head(20) print(Top20 重要描述符) print(top_features)这段代码有几个地方需要注意Descriptors.descList包含 200 多个分子描述符计算量较大数据量大时建议用并行优化描述符计算失败时用np.nan占位后续通过dropna处理stratifyy保证训练集和测试集中活性分子的比例一致避免类别不均衡带来的偏差随机森林的特征重要性可以帮你理解哪些分子性质对活性影响最大。5.3 深度学习模型的简单入门课程后半部分进入了深度学习方法以图神经网络为主。对于完全没有深度学习基础的读者这里建议先掌握以下几个概念分子图把原子看作节点、化学键看作边用图结构表示分子图神经网络通过消息传递机制学习节点和边的特征表示消息传递每个节点聚合邻居节点的信息更新自身特征经过多层迭代后得到整个图的表示。下面是用 PyTorch Geometric 实现一个简单 GNN 分类模型的骨架代码作为入门示例import torch import torch.nn.functional as F from torch_geometric.nn import GCNConv from torch_geometric.nn import global_mean_pool class MolGCN(torch.nn.Module): def __init__(self, num_node_features, hidden_dim64, num_classes2): super().__init__() self.conv1 GCNConv(num_node_features, hidden_dim) self.conv2 GCNConv(hidden_dim, hidden_dim) self.fc torch.nn.Linear(hidden_dim, num_classes) def forward(self, x, edge_index, batch): x self.conv1(x, edge_index) x F.relu(x) x F.dropout(x, p0.2, trainingself.training) x self.conv2(x, edge_index) x global_mean_pool(x, batch) x self.fc(x) return x课程中建议入门深度学习时先不要在模型结构上花太多时间重点是把数据准备逻辑搞清楚包括如何将 SMILES 转化为图数据如何划分训练集、验证集、测试集如何处理类别不均衡如何评估模型并防止过拟合。把这些问题想清楚后再更换更复杂的模型结构就会顺利很多。5.4 分子生成与反向设计除了预测打分AI 在虚拟筛选中的另一个重要方向是分子生成。课程中提到一种常见的生成策略训练一个变分自编码器或生成对抗网络将分子结构编码到潜在空间然后在潜在空间中进行插值或优化生成具有理想性质的新分子结构。生成式分子设计目前仍存在可合成性差、活性难以准确预测等问题更适合作为灵感来源而不是直接替代药物化学家的设计思路。实际项目中生成的分子通常还需要经过合成可行性评估和实验验证。6. 实战案例从零筛选一个靶点的候选化合物6.1 案例背景下面将课程中的一个实战案例整理出来完成一个完整的虚拟筛选小项目。目标靶点选择比较简单的丝氨酸蛋白酶任务是从一个包含 1000 个小分子的库中筛选出潜在抑制剂。整体流程为获取靶点蛋白结构准备小分子库并转换为 3D 结构批量分子对接汇总打分并挑选候选分子用 PyMOL 目视检查关键结合模式。6.2 准备小分子库课程附带的案例数据中小分子库以一个 CSV 文件给出包含化合物名称和 SMILES。我们先用 RDKit 将其转换为对接需要的 3D SDF。import pandas as pd from rdkit import Chem from rdkit.Chem import AllChem df pd.read_csv(compound_library.csv) print(化合物数量:, len(df)) w Chem.SDWriter(library_3d.sdf) success_count 0 for _, row in df.iterrows(): mol Chem.MolFromSmiles(row[smiles]) if mol is None: print(解析失败:, row[name]) continue mol Chem.AddHs(mol) ok AllChem.EmbedMolecule(mol, AllChem.ETKDGv3(), randomSeed42) if ok 0: AllChem.MMFFOptimizeMolecule(mol) mol.SetProp(_Name, str(row[name])) w.write(mol) success_count 1 else: print(3D 构象生成失败:, row[name]) w.close() print(成功写入分子数:, success_count)这一步需要注意如果EmbedMolecule返回非 0 值说明构象生成失败可能是分子过于柔性或含有特殊元素。课程中的建议是可以尝试增加构象生成次数例如AllChem.EmbedMolecule(mol, AllChem.ETKDGv3(), randomSeed42, numThreads0, maxIterations500)。6.3 将 SDF 转换为 PDBQT对接前需要将 SDF 转换为 PDBQT这里用 Open Babel 批量处理obabel library_3d.sdf -O library_3d.pdbqt -p 7.4 --multi--multi参数表示保留多个分子输出到一个文件。如果后续要并行对接也可以拆分成多个单分子文件。6.4 进行对接并获取打分根据前面 4.4 节的批量对接脚本将受体和配体文件路径替换为实际路径运行即可。跑完后汇总打分表现例如import pandas as pd result_df pd.read_csv(docking_results.csv) top_candidates result_df.sort_values(vina_score).head(20) print(Top20 候选分子:) print(top_candidates[[name, vina_score]])6.5 候选分子人工审查最终的人工审查非常关键。课程中建议从以下三个维度判断候选分子结合模式是否合理关键极性残基是否形成氢键分子是否容易合成是否存在复杂的立体中心、稀有结构片段类药性质是否合格分子量、LogP、可旋转键数、氢键供体/受体数量是否符合类药规则。如果有药物化学背景这一步可以发挥很大作用即使没有背景至少也应该把打分靠前的分子文件整理好交给合作方或实验团队做后续判断。7. 常见问题与排查思路虚拟筛选流程长、涉及工具多新手很容易在不同环节踩坑。下表总结了课程中反复出现的高频问题。问题现象可能原因解决思路RDKit 无法解析 SMILESSMILES 格式错误、元素类型不支持用Chem.MolFromSmiles返回 None 时检查 SMILES 是否规范不支持的原子类型需要检查来源数据3D 构象生成失败分子过大、柔性过强、初始坐标问题增加maxIterations固定随机种子尝试不同版本 ETKDG仍然失败则剔除该分子Open Babel 转换 PDBQT 报错原子类型映射失败、电荷缺失检查分子是否含有特殊元素使用-p 7.4参数指定质子化状态确认 PDBQT 文件输出目录可写Vina 运行找不到受体PDBQT 格式不规范重新用prepare_receptor4.py或 Open Babel 转换确认受体结构中不包含异常残基对接结果全为高打分结合口袋定义有误、受体处理不当核对口袋中心坐标和盒子尺寸用已知活性配体验证对接流程批量对接脚本崩溃配体文件命名冲突、日志文件路径不合法给每个任务加唯一标识捕获子进程返回值输出错误日志AI 模型过拟合训练数据量不足、模型太复杂增加数据量、使用交叉验证、降低模型复杂度、增加正则化描述符计算全为 NaNSMILES 解析失败或特殊结构首先检查 SMILES 解析率利用 try-except 捕获单条失败数据排查问题时建议按照数据 → 格式 → 工具 → 参数的顺序来检查。大多数问题其实不是算法问题而是数据格式或路径问题。8. 虚拟筛选工程化最佳实践8.1 数据管理规范虚拟筛选项目涉及的数据文件非常多蛋白结构、配体文件、对接结果、日志、模型权重如果没有统一命名和目录规范很容易混乱。推荐的目录结构如下project/ ├── data/ │ ├── raw/ # 原始数据如 PDB、SMILES │ ├── processed/ # 预处理后的分子文件 │ └── external/ # 公开数据库下载的数据 ├── scripts/ # 所有处理脚本 ├── results/ │ ├── docking/ # 对接输出 │ ├── models/ # 训练好的模型 │ └── analysis/ # 分析图表 ├── conf/ # 配置文件 └── logs/ # 运行日志课程中还强调所有原始文件不要手动修改处理脚本应该重复可运行处理结果随时可以重新生成。原始数据本身是只读的这样可以避免无意破坏原始数据后无法追溯。8.2 可复现性控制虚拟筛选和 AI 训练都涉及随机过程可复现性直接影响结果可信度和实验可重复性。建议在每个脚本开头固定随机种子import random import numpy as np import torch random.seed(42) np.random.seed(42) torch.manual_seed(42)涉及到 RDKit 构象生成的随机种子也建议固定。对接工具 Vina 虽然有确定性但不同版本之间的打分可能有细微差异日志文件中应该记录工具版本号。8.3 推荐结果验证策略虚拟筛选结果的可靠性需要验证课程中给出了几个可行的策略已知活性分子验证把已知的活性分子放进化合物库作为阳性对照看它们是否排在前列诱饵分子验证加入一批与活性分子性质相似但不具有活性的诱饵分子decoy观察富集率结合模式一致性查看多个打分较高的候选分子是否与受体形成一致的相互作用模式如果结合模式混乱结果可信度较低动力学验证候选分子对筛选出的 Top 分子做分子动力学模拟验证结合稳定性。对于刚入门的读者至少应该先做阳性对照实验这一步能快速判断整个虚拟筛选流程是否可靠。8.4 高性能计算的注意事项当化合物库规模达到几十万甚至百万级时本地单机跑对接会非常耗时。课程中提到几个工程优化方向对接任务并行化不同化合物之间的对接相互独立天然适合并行调度GPU 加速AI 模型推理可以迁移到 GPU对接环节部分工具也支持 GPU 加速数据库缓存已经计算过的化合物保存结果避免重复计算分层筛选先用 AI 模型或2D 相似性做快速粗筛大幅缩小候选集后再做对接精筛。在正式生产环境或高算力集群上运行前建议先在小规模数据上完整跑通流程再提交大规模任务。9. 学习路线与后续方向9.1 零基础入门阶段如果是零基础建议按照课程顺序先把环境搭建、Python 基础、RDKit 分子处理、AutoDock Vina 对接这四个模块掌握。这个阶段的目标是跑通一个最小流程选择一个靶点准备 10 个小分子完成对接并获得打分结果。不要急着学习深度学习和分子生成。9.2 进阶提升阶段跑通最小流程后可以从以下方向逐步深入分子描述符与机器学习熟练使用 RDKit、scikit-learn构建自己的活性预测模型深度学习基础掌握 PyTorch 基础和张量操作理解图神经网络原理自动化脚本开发把数据处理、对接、结果解析串成一个完整的自动化 pipeline项目实战从公开数据库中构建一个完整的虚拟筛选项目完成从靶点到候选分子的闭环。9.3 拓展方向虚拟筛选只是计算辅助药物设计的一部分相关方向还包括分子动力学模拟评估蛋白-配体复合物的动态稳定性自由能微扰 FEP更精确地预测相对结合自由能药效团建模基于已知活性分子提取共同药效特征ADMET 预测评估候选分子的吸收、分布、代谢、排泄和毒性性质。AI 虚拟筛选是一个交叉领域需要不断积累化学、生物学和计算机科学三方面的知识。课程能帮你快速搭建体系框架但真正的提升还是来自持续的项目实践尤其是遇到问题、排查问题的过程。这套课程中值得反复学习的内容集中在分子对接实操、RDKit 数据处理和 AI 模型构建这几块。如果只是看视频不敲代码效果会大打折扣。建议每看完一个章节就动手把配套代码运行一遍再尝试修改参数或换一个数据集这样才能真正把知识变成自己的技能。