分子对接参数介绍：搜索算法、评分函数与柔性设置

分子对接的核心，说白了就是一把钥匙开一把锁。但这里的“锁”和“钥匙”都在动——配体在三维空间里翻转跳跃，受体的侧链也在悄悄摆动。要把这个匹配过程算准，就得把三个关键参数吃透：搜索算法、评分函数、柔性设置。

我刚开始做对接那会儿，经常一股脑把默认参数全点上。结果呢？算出来一堆假阳性，实验验证全翻车。后来才明白，这三样东西不是孤立选的，它们之间互相影响，牵一发动全身。今天咱们就把它们逐个拆开聊。

搜索算法：怎么找到最佳姿势

搜索算法负责在构象空间里寻找配体与受体的最优结合姿态。你可以把构象空间想象成一座连绵起伏的山脉——有高峰有低谷，我们的目标就是找到最深的那条峡谷（全局最低能）。

常用的几类搜索算法我列在下面，你在项目里碰到最多的应该是遗传算法和模拟退火。

算法类型	代表软件/方法	特点	我个人习惯
遗传算法 (GA)	AutoDock, GOLD	种群进化，全局搜索能力强，适合大配体	种群大小设150～200，代次数一般25～50
模拟退火 (SA)	AutoDock (部分版本)	一开始跳得猛，后面慢慢收敛，容易陷入局部最优	我一般只在配体柔性度低时用SA
粒子群优化 (PSO)	PSO-Dock, PLANTS	速度快，但参数敏感	——
系统搜索	Glide SP/XP	穷举旋转键角度，精度高但极慢	只用于配体可旋转键≤8的小分子
MC / MD引导	RosettaLigand, CHARMM	结合分子动力学，柔性考虑充分	很暴力但计算量大，适合精修

你想想看，如果搜索算法没跑够，评分函数再准也没用——因为你根本没让评分函数看见真正的好解。我通常的做法是：先用快速算法（如GA 20代）过滤一批，再用精细搜索（GA 100代或系统搜索）做二次精炼。这叫“粗筛+精修”，效率和质量都能兼顾。

评分函数：怎么打分才准

评分函数就是对接的审美标准——它判断哪些姿势更可能成为现实。但问题是，每种评分函数都有先天的“偏见”。

我把主流评分函数按推导方法分成三类，用一张表格看清楚它们的长处和短板。

类型	核心思想	速度	结合自由能预测	我在项目里的感受
经验力场	直接使用或拟合分子力场的范德华+静电+氢键项	★★★★★	偏差大，需要线性修正	适合初筛，但绝对能量不要信
半经验 (回归)	用实验数据拟合权重，如ChemScore、PLP	★★★★	中等，对疏水项敏感	我个人觉得ChemScore在多数靶点上比经验力场更稳
基于知识	统计晶体结构中原子对的偏好分布，算出势能	★★★★	差（无法外推到结合常数）	用来排除明显不合理的姿势很有效
机器学习 (ML)	用RF、XGBoost或NN训练打分模型	★★★	潜在高，但过拟合风险大	我只在训练集覆盖足够宽的靶点族上用ML评分

评分函数还有一个致命问题——它对水分子、离子、辅因子的贡献处理得都很粗糙。我以前做过一个靶点，活性位点里有两个结晶水，默认把水全删了对接，结果结构完全错位。加上结晶水并用“水分子的旋转与平移自由度”进行优化后，评分才合理。

柔性设置：锁和钥匙到底谁能动

柔性设置决定了计算模型里允许哪些原子动起来。这是个平衡艺术——动得越多越真实，但计算量也越可怕。

• 刚性对接：受体和配体都是刚体，只有平移和旋转自由度。极快但忽略诱导拟合。只适用于“锁孔固定”的经典场景，比如已知结合模式附近的微调。
• 半柔性对接：配体完全柔性，受体保持刚性或只允许特定侧链柔性。这是最常用的模式，90%的对接项目都选它。AutoDock、Glide、GOLD的默认模式都是半柔性。
• 全柔性对接：受体与配体所有骨架和侧链都能动。听起来完美，但计算量大到爆炸（单次对接可能要跑数小时甚至数天），而且会引入大量噪声。
• 局部柔性/侧链柔性：只允许活性口袋内指定残基的侧链旋转。这是一个折中方案，我特别推荐用于口袋有罕见构象变化的靶点。

我曾经在一个CDK2项目里做过对比：半柔性对接（全部侧链固定）和局部柔性（口袋内3个关键残基侧链柔性），两者对实验结合模式的RMSD分别为2.3 Å和1.1 Å。多花20%的计算时间，精度提升一倍。这个投资值得。