AutoDock Vina分子对接教程：零基础完成第一次对接的6个关键步骤

【免费下载链接】AutoDock-VinaAutoDock Vina项目地址: https://gitcode.com/gh_mirrors/au/AutoDock-Vina

深夜的实验室，一位刚接触计算化学的研究生盯着屏幕上的两个三维结构发呆：左边是刚解析出的靶点蛋白，右边是药化同事递过来的候选分子。他隐约知道两者可能结合，却说不清结合的强度、方式和稳定程度。这正是分子对接要解决的问题——而AutoDock Vina 分子对接工具，就是目前最流行、最快的开源解决方案之一。本文是一份零基础也能跟着做完的 AutoDock Vina 教程，不需要任何计算背景，只要会敲命令，就能在半小时内跑通第一次完整对接。

第一次接到对接任务：先搞懂这件事在做什么

如果把结合过程比作"钥匙配锁"，那么受体（Receptor）就是锁——通常是一个蛋白质，等着小分子来"开"；配体（Ligand）就是钥匙——通常是一个候选药物分子。分子对接做的事，就是模拟这把"钥匙"在"锁孔"附近的所有可能姿态，然后用打分函数给每种姿态评分，找出结合最稳定、能量最低的那一个。

AutoDock Vina 的过人之处在于三点：

• 快：基于简单的打分函数和梯度优化搜索，速度远超传统方法，大规模虚拟筛选也扛得住；
• 省心：参数极少，一条命令就能完成对接，不需要手动调一堆经验参数；
• 开源免费：Apache 2.0 协议，学术和商业用途都友好，社区资料丰富。

下图是 AutoDock Vina 官方给出的完整对接工作流程，从分子结构预处理、输入准备到最终对接计算，全程链条清晰，本文接下来的所有步骤都对应这张图。

AutoDock Vina 分子对接的完整工作流程：预处理 → 输入准备（PDBQT 与盒子）→ 对接计算 → 结果导出

对接流程中其实只牵涉两件事：把原料整理成软件认识的格式，以及告诉软件去哪里搜索。搞懂了这两件事，后面所有命令都顺理成章。

认清三种文件格式，别让原料卡住第一步

新手 90% 的报错都出在文件格式上。对接前后，你会反复见到三种格式：

可以这样记忆：PDB 和 SDF 是"通用简历"，而PDBQT 是专门给对接软件看的"职位申请表"——它明确写清了每个原子是哪种类型、带多少电荷、哪些键可以旋转，软件拿到就能直接计算。

⚠️最容易踩的坑：千万别用 PDB 格式直接准备配体。PDB 不包含键连接信息，软件无法判断分子拓扑，结果往往出错。配体请一律从 SDF 格式出发。另一个高频坑是氢原子缺失——对接成败有时就差一个氢，受体必须先加氢、做质子化处理。

安装环境：三条路选一条，新手走最短的那条

AutoDock Vina 提供三种安装方式，难度递增，按需选择：

路线一：Python 绑定（最推荐新手）。一条命令装完，还能顺手用后面的 Python 批量对接：

pip install -U numpy vina

同时建议安装配套的分子准备工具Meeko（负责把 PDB/SDF 转成 PDBQT）和Molscrub（负责给分子加氢）：

pip install -U meeko molscrub

路线二：Conda 独立环境（适合怕依赖冲突的读者）。用 Conda 隔离出一个干净环境，互不污染：

conda create -n vina python=3 conda activate vina conda config --env --add channels conda-forge conda install -c conda-forge numpy swig boost-cpp libboost pip install vina

路线三：预编译可执行文件（只想用命令行工具）。直接下载对应系统的vina和vina_split可执行文件，解压即用，无需任何依赖。

装完后务必验证环境是否正常：

vina --help python -c "from vina import Vina; print('vina python OK')"

看到版本信息和OK输出，说明环境就绪，可以进入实战了。详细的安装说明可查阅项目文档docs/source/installation.rst。

准备受体与配体：让双方用同一种语言出场

下面用项目自带的经典案例完整走一遍流程：抗癌药伊马替尼（Imatinib）对接 c-Abl 激酶结构域（PDB 编号 1iep）。所有输入文件都在example/basic_docking/data/目录下，输出样例在example/basic_docking/solution/里，方便对照验证。

第一步：准备受体。原始受体文件1iep_receptorH.pdb已包含氢原子。用 Meeko 的命令行脚本生成 PDBQT 文件和对接盒子信息：

mk_prepare_receptor.py -i 1iep_receptorH.pdb -o 1iep_receptor -p -v \ --box_size 20 20 20 --box_center 15.190 53.903 16.917

这条命令做了什么？-i指定输入，-o指定输出文件前缀，-p生成受体 PDBQT，-v配合盒子参数生成两个文件：1iep_receptor.box.txt（对接配置，下一节会用）和1iep_receptor.box.pdb（用 PyMOL 等软件可视化盒子位置）。如果后续想用 AutoDock4 力场，只需追加一个-g参数，就会额外生成 AutoGrid 的 GPF 参数文件。

第二步：准备配体。同样用 Meeko 转换：

mk_prepare_ligand.py -i 1iep_ligand.sdf -o 1iep_ligand.pdbqt

如果配体原始结构没有氢原子，先用 Molscrub 加氢：

scrub.py 1iep_ligand.sdf -o 1iep_ligandH.sdf mk_prepare_ligand.py -i 1iep_ligandH.sdf -o 1iep_ligand.pdbqt

💡为什么一定要检查质子化状态？氢原子的有无直接决定氢键能否形成，而氢键是打分函数里权重最高的相互作用之一。一个氢的差别，可能让结合能从优秀变成平庸。

这两步做完，你会得到1iep_receptor.pdbqt和1iep_ligand.pdbqt，它们就是对接计算的主角。

设置对接盒子：给搜索画一个精准的范围

对接不是把配体扔进整个蛋白质里漫无目的地找——那既慢又容易找到一堆无意义姿态。你需要指定一个搜索区域（docking box），告诉 Vina"只在这个三维空间里找答案"。

把盒子想成探照灯：照得太窄，可能漏掉真正的结合位点；照得太宽，搜索时间暴涨、假阳性增多。最佳实践是让盒子恰好覆盖已知的活性位点，并留出少量余量让配体活动。

上一节生成的1iep_receptor.box.txt就是对接配置文件，内容如下：

center_x = 15.190 center_y = 53.903 center_z = 16.917 size_x = 20.0 size_y = 20.0 size_z = 20.0

center_*是盒子中心坐标（单位 Å），size_*是盒子边长。坐标通常来自实验数据或文献，也可以在 PyMOL 里直接量取活性位点中心。如果你手上没有现成的盒子文件，手写一个同样格式的 TXT 即可，Vina 完全认这个格式。

关于盒子设置的经验法则：

• 盒子刚好罩住活性位点最理想，20 Å 左右边长是常见起点；
• 盒子过大时，适当提高搜索强度（下一节的exhaustiveness）来补偿；
• 用1iep_receptor.box.pdb在可视化软件里检查盒子是否真的覆盖了目标残基。

运行对接：读懂输出表才算真正完成

万事俱备，运行第一条对接命令。Vina 力场会自动在内部计算亲和力网格，无需额外准备，最省事：

vina --receptor 1iep_receptor.pdbqt --ligand 1iep_ligand.pdbqt \ --config 1iep_receptor.box.txt --exhaustiveness=32 --out 1iep_ligand_vina_out.pdbqt

如果你更倾向 AutoDock4 力场（经典、有大量历史数据可比对），则需要先预计算亲和力图谱：

autogrid4 -p 1iep_receptor.gpf -l 1iep_receptor.glg vina --ligand 1iep_ligand.pdbqt --maps 1iep_receptor --scoring ad4 \ --exhaustiveness 32 --out 1iep_ligand_ad4_out.pdbqt

这里--exhaustiveness是搜索强度，默认 8，示例中提高到 32 能让结果更稳定可复现。它大致可以理解为"派多少批搜索粒子同时探索"，值越大搜索越充分、耗时越久。对正式研究，32 是一个稳妥的起点。

运行结束后，终端会输出一张结果表，它值得花 30 秒看懂：

mode | affinity | dist from best mode | (kcal/mol) | rmsd l.b.| rmsd u.b. -----+------------+----------+---------- 1 -13.23 0 0 2 -11.29 0.9857 1.681 3 -11.28 3.044 12.41

• mode：构象编号，按分数从优到劣排序；
• affinity（结合能）：最重要的指标，单位 kcal/mol，负值越大结合越强。这个案例中 Vina 力场预期最佳约 -13 kcal/mol，AutoDock4 力场约 -14 kcal/mol；
• rmsd l.b. / u.b.：各构象与最优构象的结构差异（RMSD），越小说明越接近最优解。

⚠️注意：Vina 与 AutoDock4 两种力场的分数不能互相比较，它们是两套独立的评分体系。

最后把结果转成 SDF 格式，方便在 PyMOL、Chimera 等软件里做可视化分析（Meeko 会把键序和形式电荷一并写好，比 OpenBabel 的"猜键序"可靠得多）：

mk_export.py 1iep_ligand_vina_out.pdbqt -s 1iep_ligand_vina_out.sdf

到这里，你已经完成了人生第一次完整的 AutoDock Vina 分子对接！结合能落在 -10 到 -13 kcal/mol 区间，且最优构象与晶体结构接近，就说明流程跑通了。

进阶玩法：从单个分子走向批量筛选

跑通基础对接后，你会发现 AutoDock Vina 的能力远不止于此。项目仓库中example/目录下有多套现成案例，对应不同进阶场景：

而当你需要批量处理成百上千个分子（即虚拟筛选）时，Python 绑定就是利器。example/python_scripting/first_example.py提供了一个最小可运行脚本，核心逻辑只有几行：

from vina import Vina v = Vina(sf_name='vina') v.set_receptor('1iep_receptor.pdbqt') v.set_ligand_from_file('1iep_ligand.pdbqt') v.compute_vina_maps(center=[15.190, 53.903, 16.917], box_size=[20, 20, 20]) energy = v.score() # 给当前姿态打分 print('Score: %.3f (kcal/mol)' % energy[0]) v.dock(exhaustiveness=32, n_poses=20) # 执行对接，保留20个构象 v.write_poses('1iep_ligand_vina_out.pdbqt', n_poses=5, overwrite=True)

跑一下试试：

python first_example.py

同样的接口可以套进循环里，把一组配体逐个喂进去，输出结果存到表格里排序——一个最简版的虚拟筛选管线就成型了。完整 API 说明见项目文档docs/source/docking_python.rst，更细致的参数解释在docs/source/faq.rst。

把第一次对接跑完，然后呢？

还记得开头那位对着结构发呆的研究生吗？现在他已经能独立回答那个问题了：配体怎么结合、结合有多强、哪些残基参与了相互作用——这些都是 AutoDock Vina 给出的答案，而他付出的只是几行命令的时间。

你现在和他一样，具备了完整跑通分子对接的能力。接下来建议这样做：

1. 对照练一遍：把example/basic_docking/完整跑通，用solution/目录下的结果验证自己的输出；
2. 换个体系试试：从example/的其他场景挑一个，感受不同对接模式的区别；
3. 深入学习文档：docs/source/下的教程（docking_basic.rst、docking_flexible.rst、docking_hydrated.rst）写得非常细致，是进阶的免费教材；
4. 把 Python 绑定用起来：试着写一个循环，一次筛选十个候选分子。

想要获取全部示例和源码，直接克隆项目仓库即可：

git clone https://gitcode.com/gh_mirrors/au/AutoDock-Vina

分子对接是一门越用越熟的手艺。第一次跑通、第一次读懂输出表、第一次批量筛选，每一次突破都会让下一个实验更顺畅。现在就打开终端，让 AutoDock Vina 帮你算出第一个结合能吧。🚀

【免费下载链接】AutoDock-VinaAutoDock Vina项目地址: https://gitcode.com/gh_mirrors/au/AutoDock-Vina