三款主流对接软件深度对比：Vina、Glide、GOLD

做高通量虚拟筛选这些年，我接触过的对接软件少说也有七八款。但真正能在工业级筛选中站住脚的，其实就这三家：开源的AutoDock Vina、Schrödinger家的Glide、以及CCDC的GOLD。

这三款工具，说白了一个道理——没有最好的软件，只有最适合场景的工具。我在搭建筛选流程时吃过不少亏，今天把这些经验摊开来聊。

AutoDock Vina：开源界的扛把子

Vina是Oleg Trott在2010年推出的作品。它继承了AutoDock的衣钵，但换了全新的打分函数和优化算法。

Vina的评分函数基于经验打分，结合了成对相互作用的求和项。它的算法并不复杂——布谷鸟算法配合局部优化，但胜在足够鲁棒。

# 典型的Vina对接命令
vina --receptor protein.pdbqt \
     --ligand ligand.pdbqt \
     --out output.pdbqt \
     --center_x 12.0 \
     --center_y -8.5 \
     --center_z 5.2 \
     --size_x 22 \
     --size_y 22 \
     --size_z 22 \
     --exhaustiveness 8

优点：

• 完全开源，可以查看和修改代码
• 支持多线程并行，天然适合高通量
• 输入输出格式简单，好做批处理脚本
• 运行速度快，单配体一般几秒到几十秒

缺点：

• 打分函数精度有限，尤其是对柔性侧链的处理
• 无法处理水分子和金属离子的特殊配位
• 缺乏图形界面，调试不够直观
• 采样效率在低柔性区域不够均匀

Glide：精度至上的帝王工具

Glide是Schrödinger公司的招牌产品。如果你问我哪款软件在蛋白—配体结合模式预测上最准，我肯定会说Glide——前提是你预算够。

Glide的核心创新在于“漏斗式”筛选策略。它先做粗粒度的栅格采样，然后逐步精细化。它独有的HTVS（High Throughput Virtual Screening）、SP（Standard Precision）和XP（Extra Precision）三级精度模式，让高通量筛选有了梯度选择。

# Glide对接命令示例（通过Schrödinger的Python API）
import schrodinger.application.glide.glide as glide

conf = glide.GlideConfig()
conf.receptor = 'protein.mae'
conf.ligand = 'ligands.mae'
conf.precision = glide.Precision.SP
conf.grid = 'grid.zip'
conf.output = 'glide_out.mae'
conf.nposes = 5

job = glide.run(conf)

优点：

• 采样精度极高，XP模式的pose还原度堪称行业标杆
• 内置Embrace算法，处理结合位点柔性更合理
• 与Schrödinger生态无缝集成，分析管线的自动化非常顺畅
• 对带金属蛋白、水分子介导结合的物理建模很细致

缺点：

• 商业授权极其昂贵——说实话，一个小课题组根本扛不住
• 计算资源消耗大，尤其XP模式，时间成本接近Vina的5到10倍
• 依赖Maestro图形界面配置，命令行运维也有不小学习成本

GOLD：遗传算法的老将

GOLD是CCDC公司开发的老牌工具，从1998年就开始服务学术界和工业界了。如果你研究的是含金属离子的酶，或者结合口袋特别不规则的情况，GOLD可能是你的首选。

GOLD的独特之处在于它用遗传算法做构象搜索，而不是传统的蒙特卡洛或梯度下降法。它不需要预先计算格点，而是动态评估配体与受体间的相互作用。

# GOLD配置文件片段（gold.conf）
GOLD_CONFIGURATION_FILE
GOLD_SYSTEM_DIR = /path/to/gold/system
RECEPTOR_FILE = receptor.mol2
LIGAND_FILE = ligand.mol2
FITNESS_FUNCTION = chemscore
SEARCH_EFFICIENCY = 200%
AUTOMATIC_SETTINGS = True
NUM_POSES = 10
ALLOW_EARLY_TERMINATION = True

优点：

• 遗传算法对复杂搜索空间适应性极强
• 原生支持金属配位键建模——这一点Glide也要向它学习
• 打分函数多样化，GoldScore、ChemScore、ASP等可选
• 处理柔性残基的能力很强，适合诱导契合场景

缺点：

• 速度慢——遗传算法的天然短板，高通量时非常吃力
• 结果稳定性不如Glide，相同参数跑两遍可能会有差异
• 社区和技术支持不及Schrödinger，更新频率稍慢
• 配置文件不直观，新手容易埋坑

三款软件核心指标对比

下面这个表我建议你收藏。高通量筛选的初期选型，就是在这几个维度间做权衡。

对比维度	AutoDock Vina	Glide	GOLD
授权方式	开源免费	商业付费（昂贵）	商业付费（中等）
核心算法	布谷鸟+局部优化	漏斗式层级采样	遗传算法
单配体速度	快（秒级）	中（分钟级）	慢（分钟到小时级）
打分精度（QM验证）	中等	高（尤其XP）	中等偏高
金属配位建模	弱	强	很强
高通量适用性	非常适用	适用（配合HTVS）	一般不适用
跨平台支持	Linux/macOS/Windows	Linux为主	Linux/Windows
社区活跃度	极高	高（商业化支持）	中等

我的选型方法论

你可能会问：那我到底选哪个？我个人的思路是这样的。

如果你手头项目是百万级以上超高通量初筛，预算也不充裕——别犹豫，直接上Vina。配好蛋白预处理流程，写几层Shell脚本做批处理，配合HPC集群，一个周末就能跑完一轮。虽然误报率高一些，但作为第一道筛子是够用的。

如果你的项目已经到了先导化合物优化阶段，或者你研究的是GPCR这类对pose精度要求极高的蛋白——那就咬咬牙用Glide。XP模式的能量分解报告，能直接指导你做官能团改造。

而GOLD嘛，它的位置在两者之间。当你面对那些带金属辅因子、或结合口袋异常灵活的蛋白时，GOLD偶尔能给你意想不到的好结果。不过说实话，在纯高通量场景下它确实不太合适当主力。

总结实战建议

说了这么多，我想给你三个摆在手边的建议。