1. AutoDock Vina 简介

说起分子对接，我入行那会，实验室里跑 AutoDock 4 还算是件挺隆重的事。配置一个对接任务得折腾半天，跑一批化合物少说两三天。后来 Vina 出来了，速度直接提升了一个数量级。说实话，我当时觉得这东西简直是个神器。

今天这一章，咱们就来聊聊 Vina 到底是什么来头，它能干什么，以及它跟市面上其他对接软件比，到底好在哪、差在哪。

1.1 发展历史：从 AutoDock 到 Vina

AutoDock 的历史可以追溯到上世纪 90 年代。最初的 AutoDock 3 和 4 用的是遗传算法加经验打分，精度还可以，但速度是个硬伤。我记得那时候跑一个柔性对接，动不动就要几个小时。

2010 年，Oleg Trott 在 Scripps 研究所开发了 AutoDock Vina。它彻底重写了架构，用随机采样结合 BFGS 局部优化的方式，把速度提升了 10 到 100 倍。我记得第一次用 Vina 跑同一批分子，AutoDock 4 要两天，Vina 两个小时就出结果了。嗯，那种感觉就像换了台新机器。

后来 Vina 经历了几个重要版本：

• Vina 1.0 (2010) — 初代发布，惊艳全场。
• Vina 1.1 (2011) — 修复了并行计算的稳定性问题。
• Vina 1.2.x (2021 起) — 支持多种力场（包括 AD4、Vina、Vinardo），评分函数更灵活，还加入了 CNN 评分 接口。

我个人觉得，Vina 1.2.x 是真正让 Vina 从「快速筛选工具」走向「精度可调的生产力工具」的版本。它现在还在持续维护，社区也很活跃。

1.2 应用场景：Vina 能做什么

Vina 的应用范围其实比很多人想象的要广。我在项目中遇到过用 Vina 做虚拟筛选，从 10 万化合物里筛出了几个纳摩尔级的苗头化合物，后来还拿到了晶体结构验证——那种成就感很难形容。

下面是 Vina 最常见的几个应用方向：

1. 虚拟筛选 — 从几十万甚至上百万的化合物库里快速寻找潜在的活性分子。Vina 的速度优势在这里体现得最明显。
2. 先导化合物优化 — 对已有的活性分子做骨架跃迁或基团替换，预测结合模式的变化。
3. 蛋白-配体相互作用分析 — 研究关键残基与配体的氢键、疏水接触等细节。
4. 药物重定位 — 用已上市药物或已知活性分子去对接新的靶点，寻找老药新用的机会。
5. 机理研究 — 结合突变实验，解释耐药突变为什么会影响药物活性。

1.3 与其他对接软件的对比

市场上主流的分子对接软件不少，各有各的脾气。我个人习惯把 Vina 作为初筛工具，先用它快速过滤一遍化合物库，再用 Glide 或 GOLD 做精细对接。这样既发挥了 Vina 的速度优势，又弥补了它在精度上的短板。

下面这个表格对比了几款常见软件的差异：

软件	类型	核心算法	速度	精度	学习成本
AutoDock Vina	开源	随机采样 + BFGS 优化	★★★★★	★★★☆☆	★☆☆☆☆
Glide (Schrödinger)	商业	系统搜索 + 层次过滤	★★★☆☆	★★★★★	★★★☆☆
GOLD (CCDC)	商业	遗传算法	★★★☆☆	★★★★★	★★★☆☆
MOE Docking	商业	多种算法	★★★☆☆	★★★★☆	★★★☆☆
Dock (UCSF)	开源	几何匹配 + 网格评分	★★★★☆	★★★☆☆	★★☆☆☆
rDock	开源	GA + 蒙特卡洛	★★★★☆	★★★☆☆	★★☆☆☆

你想想看，商业软件精度是高，但一套许可证动不动几万美金，一般实验室哪受得了。Vina 虽然精度不是最高的，但它的速度和学习成本让它成了学术界的「标配」。说白了，它是一个性价比极高的选择。

Vina 的典型调用命令非常简单，一行就能跑一个对接：

vina --receptor receptor.pdbqt --ligand ligand.pdbqt --out output.pdbqt

你只需要准备 .pdbqt 格式的受体和配体文件，Vina 会自动完成搜索和打分。这种简洁的设计也是它受欢迎的原因之一。

下面这张图梳理了 Vina 的核心定位、发展历程、应用场景，以及它与其他软件的关系。你可以把它当作本章的知识地图：

你可以看到，Vina 在整个分子对接生态里处于一个「承上启下」的位置。向下承接了 AutoDock 系列的遗产，向上支撑着虚拟筛选和药物设计的实际应用。跟商业软件比，它牺牲了一部分精度，但换来了速度和零成本的优势。跟其他开源软件比，它在易用性和社区活跃度上明显领先。