4. 配体小分子数据库构建

在分子对接项目中，受体结构往往只有一个或少数几个，而配体小分子却可能成百上千。配体库的质量直接决定后续虚拟筛选的可信度：如果库中混入了盐离子、重复结构、错误的质子化状态或缺失的三维构象，对接结果就会出现假阳性或假阴性。因此，配体库构建不是简单的“下载文件”，而是一条从数据获取、清洗、标准化到三维构象生成的可复现流水线。本节围绕这条流水线展开，重点说明每一步的实际操作对象、关键参数和判断依据。

一、数据来源的选择与获取方式

常用的公开配体来源各有侧重。ZINC 以“可直接用于对接”为目标，提供已经加氢、生成三维构象并分配电荷的 ready-to-dock 子集，适合快速启动筛选；PubChem 覆盖化合物最广，包含大量实验与计算属性，适合按 CID 或 SMILES 精确获取单个分子；ChEMBL 则偏向具有生物活性数据的药物化学空间，适合构建靶点相关的已知活性配体集。实际项目中，常见做法是：以 ChEMBL 的活性化合物作为阳性对照集，以 ZINC 的类药性子集作为大规模筛选库，再用 PubChem 补充特定骨架或参考分子。

获取方式上，小规模可用网页导出 SDF/SMILES，大规模则建议使用命令行或 API。例如从 PubChem 按 CID 批量下载三维 SDF，可用如下方式（示例）：

# 示例：按 CID 列表批量获取 PubChem 三维 SDF
while read cid; do
  wget -q "https://pubchem.ncbi.nlm.nih.gov/rest/pug/compound/cid/${cid}/SDF?record_type=3d" \
       -O "pc_${cid}.sdf"
done < cid_list.txt

ZINC 的 Tranche 子集通常以 mol2 或 SDF 分块提供，下载后需记录来源、版本和下载日期，便于后续复现。ChEMBL 可通过其 Web 服务按靶点或活性阈值导出 SMILES 列表。无论哪种来源，都应保留原始标识（CID、ZINC ID、ChEMBL ID）与标准化后的内部编号的映射表。

二、格式转换与结构标准化

不同来源的格式不统一，SDF、MOL2、SMILES、PDB 之间需要转换。常用工具是 Open Babel 和 RDKit。格式转换本身不难，难点在于转换过程中容易丢失或改变关键信息：SMILES 转三维时若不加氢，芳环和手性中心可能出错；SDF 转 MOL2 时若未指定电荷模型，原子类型可能不匹配。因此建议统一以 SDF 作为中间交换格式，并在转换前后检查原子数、键数和手性标记。

结构标准化包括去除盐离子和溶剂、统一互变异构体、规范质子化状态。例如，许多配体以盐酸盐形式存在，若不脱盐，对接时氯离子会占据结合口袋。RDKit 中可用 SaltRemover 去除常见反离子，用 StandardizeMol 或 rdMolStandardize 处理互变异构和电荷。对于含羧酸、胺基的分子，还需根据目标口袋的 pH 环境决定质子化形式，通常生理 pH 下羧酸去质子、胺基质子化。

三、去重策略

去重不能只看分子式或分子量，因为同分异构体可能具有完全不同的结合模式。推荐按“标准化后的 InChIKey”去重，InChIKey 的前 14 位对应骨架连接，后段对应立体化学和质子化。若只关心骨架多样性，可用前 14 位；若需保留立体异构体，则用完整 InChIKey。实际操作中，先用 RDKit 生成 InChIKey，再用哈希表或 pandas.drop_duplicates 去重，同时保留来源信息以便追溯。对于大规模库，还可先用分子指纹（如 Morgan 指纹）做相似性聚类，再在每个簇内保留一个代表分子，以降低冗余。

四、加氢与三维构象生成

加氢是三维构象生成的前提。加氢时需注意：芳香环上的氢、手性中心的氢、可电离基团的氢要分别处理。RDKit 的 AddHs 可添加显式氢，EmbedMolecule 生成初始三维坐标，MMFFOptimizeMolecule 或 UFFOptimizeMolecule 进行力场优化。对于柔性较大的分子，单一构象可能不足以代表其结合姿态，建议生成多构象并保留能量最低的若干构象。常用参数：numConfs=10、pruneRmsThresh=0.5、maxAttempts=1000。若分子含多个可旋转键，可适当增加构象数，但需权衡计算成本。

生成后应检查：是否所有分子都成功嵌入三维、是否有原子重叠、能量是否合理。失败分子通常是因为价态异常或环张力过大，需回退到标准化步骤重新处理。最终输出建议为 SDF 或 PDBQT（用于 AutoDock 系列），并保留每个分子的能量和构象编号。

五、可复现的配体库构建清单

为了让整个流程可追溯、可复现，建议在项目目录中保留以下内容：原始下载文件与来源说明、标准化后的 SDF、去重后的唯一分子列表、三维构象文件、以及一份记录关键参数的日志。下面给出一个可直接参考的目录结构与字段示例：

完成上述步骤后，配体库就具备了进入对接流程的基本条件。下一阶段将把受体与配体分别转换为对接程序所需的格式，并设置搜索空间与打分函数。在此之前，建议随机抽取若干分子，用可视化工具检查其三维构象是否合理，确认没有原子重叠或异常键长，再批量提交对接。