4. 靶点与化合物库准备

分子对接的结果质量，在上机运行之前就已经被两件事决定了大半：受体（靶点）结构是否干净、构象与质子化状态是否合理，以及配体库是否格式统一、去重彻底、参数可解析。本节把这两条准备链路拆开讲清楚，并给出可直接照做的操作细节与判断依据。

一、蛋白结构获取：优先实验结构，缺失处再补

靶点结构的首选来源是 RCSB PDB 中的实验结构（X 射线晶体或冷冻电镜）。选择时不要只看分辨率，还要看几个关键点：是否包含目标活性位点的完整残基、是否有共结晶配体或辅因子、是否有缺失环区（missing residues）、以及突变或标签是否影响结合口袋。例如某激酶靶点，PDB 条目分辨率 1.8 Å 但 ATP 结合口袋的甘氨酸富集环缺失 6 个残基，这种结构直接对接会得到假阳性极高的结果，应优先换用同源结构中口袋完整的条目，或用同源建模补齐。

若没有实验结构，可用 AlphaFold DB 预测模型，但要注意 pLDDT 置信度：口袋区域残基 pLDDT 低于 70 时，侧链朝向不可靠，建议只做初步筛选，不做精确打分排序。获取结构后统一转成 PDB 或 mmCIF，并记录来源、分辨率/置信度、缺失残基范围，作为后续可追溯的元数据。

二、清洗、加氢与质子化状态

清洗的目标是去掉对接软件不认识的“噪声”，同时不破坏口袋化学环境。典型处理顺序如下：

1. 去水：多数对接需移除结晶水，但若某个水分子与口袋残基形成稳定氢键桥且在多条结构中保守，可保留为“结构水”，在部分软件中作为可旋转/固定水处理。
2. 去配体与辅因子：移除共结晶配体；金属离子（如 Zn²⁺、Mg²⁺）通常保留，因为它们常参与配位，删除会导致口袋电荷分布错误。
3. 补缺失原子与残基：用 PDBFixer、Modeller 或 Schrödinger Prime 补齐缺失侧链与环区，补全后检查是否与邻近残基产生原子碰撞。
4. 加氢与质子化：生理 pH 7.4 下，Asp/Glu 去质子化（−1）、Lys/Arg 质子化（+1）、His 需按局部环境判断。可用 PROPKA 预测 pKa，或用 H++、PDB2PQR 生成质子化状态。His 的 Nδ/Nε 选择直接影响氢键网络，建议对口袋内 His 逐一确认。
5. 能量最小化：仅对氢原子和侧链做约束最小化（如 500 步最陡下降 + 1000 步共轭梯度），避免整体骨架漂移。

三、活性位点定义：三种常用方式

活性位点定义决定了搜索空间（grid box / binding site），直接影响采样效率与假阳性率。常用方式有三类：

• 基于共结晶配体：以原配体几何中心为盒中心，盒边长通常取配体最大跨度 + 8～10 Å 余量。例如原配体跨度约 12 Å，可取 22 Å × 22 Å × 22 Å 的立方盒。
• 基于已知关键残基：如激酶取 hinge 区与 DFG 基序，蛋白酶取催化三联体，用这些残基的 Cα 或侧链原子计算质心。
• 基于口袋检测：用 fpocket、SiteMap 等自动识别，再人工核对是否覆盖关键氢键供受体。

盒过大（如 40 Å 以上）会显著增加搜索空间与计算量，且容易把配体引到非特异表面；盒过小则可能截断配体构象。建议先用原配体做一次重对接（redocking），RMSD ≤ 2.0 Å 视为参数合理，再用于大规模筛选。

四、大规模化合物库的格式转换与去重

真实筛选场景中，化合物库常来自多个供应商，格式混杂：SDF、SMILES、MOL2、CSV 各占一部分，且同一分子可能以盐、不同互变异构体或不同立体异构形式重复出现。处理流程建议如下。

格式统一：以 SMILES 或 SDF 作为中间格式，用 RDKit 或 Open Babel 批量转换。示例命令：

# SDF 转 SMILES，并保留标题
obabel input.sdf -osmi -O output.smi

# 用 RDKit 批量标准化并生成 3D
from rdkit import Chem
from rdkit.Chem import AllChem
suppl = Chem.SDMolSupplier('raw.sdf', removeHs=False)
writer = Chem.SDWriter('clean.sdf')
for mol in suppl:
    if mol is None:
        continue
    mol = Chem.RemoveHs(mol)
    Chem.SanitizeMol(mol)
    mol = Chem.AddHs(mol)
    AllChem.EmbedMolecule(mol, randomSeed=42)
    writer.write(mol)
writer.close()

去重策略：最可靠的是用 InChIKey 的前 14 位（骨架层）加后段立体层共同判断。仅用分子量或 SMILES 字符串去重会漏掉互变异构体和盐形式。实际操作中，先按 InChIKey 完全匹配去重，再对骨架相同但立体不同的分子保留全部（若对接需要考虑立体选择性），对盐形式统一去盐后合并。

过滤与拆分：按类药性规则过滤，常用阈值为分子量 150～600、logP −2～5、可旋转键 ≤ 10、氢键供体 ≤ 5、受体 ≤ 10。过滤后按每批 1000～5000 个分子拆分，便于并行调度与失败重跑。每个分子保留唯一 ID（如 ZINC ID 或自增编号），并记录来源库、原始 SMILES、标准化后 SMILES，保证结果可追溯。

五、准备阶段的验收清单

把上述两条链路都走通之后，受体文件与配体批次就具备了进入对接引擎的条件。准备阶段多花的一小时，往往能省下后续几天的无效计算与人工复核。