4、分子对接参数总览：梳理影响对接结果的常见参数类别
我通常跟团队新人说，分子对接的参数调优不是玄学。你只要搞懂三类核心参数——搜索算法、打分函数、构象采样，就能掌控90%的对接质量。这三类参数各管各的，但最终一起决定结果。说白了，它们就像汽车的发动机、方向盘和悬挂——分开看都不复杂，搭配不好就翻车。
下面这张图把整个参数体系串起来了。后面我们一个一个拆开讲。
4.1 搜索算法：决定用什么策略找最优结合姿势
搜索算法说白了就是决定怎么在空间里翻找配体的最佳位置和朝向。你想想看，一个配体分子有六个刚性自由度（平移+旋转），再加上内部可旋转键，搜索空间动不动就是几十维。用什么策略去搜，直接决定了你能不能找到真正的结合模式。
常见的搜索算法有这么几类：
- 遗传算法（GA）——模拟自然选择，种群进化。对多峰搜索空间很稳，是我个人比较偏爱的一类。
- 模拟退火（SA）——从高温慢慢冷却，避免卡在局部最优。适合做精细搜索。
- 粒子群优化（PSO）——群体协作，收敛快，但容易早熟。
- 系统搜索——穷举或网格遍历，精度最高，但速度最慢，一般用于小分子体系。
我记得有一次做激酶抑制剂项目，用GA跑一直找不到稳定的解。后来把种群大小从50调到300，结果才收敛。嗯，这里要注意——GA的种群大小、变异率、交叉率都得针对你的体系去试，没有万能模板。
下面是一个典型的AutoDock Vina配置文件，exhaustiveness参数就控制搜索的充分程度：
receptor = receptor.pdbqt
ligand = ligand.pdbqt
center_x = 12.5
center_y = 18.3
center_z = -5.2
size_x = 22
size_y = 22
size_z = 22
exhaustiveness = 8
num_modes = 9
energy_range = 3exhaustiveness越高，搜索越充分，但耗时也越长。我在项目中通常从8开始，如果结果不稳定再往上加。
4.2 打分函数：用什么尺子评价结合好不好
打分函数就是给每个对接姿势算分数的工具。说白了，你搜出来一百个姿势，哪个最好？打分函数说了算。它直接决定了你能不能从噪声中挑出真正的结合模式。
打分函数分四大类，每类的原理和适用场景都不一样：
| 类型 | 原理 | 代表 | 优缺点 |
|---|---|---|---|
| 基于力场 | 用物理方程算结合能 | MM-PB/SA, Amber | 物理意义强，但计算慢 |
| 基于经验 | 拟合实验数据得到公式 | ChemScore, PLP | 速度快，但依赖训练数据 |
| 基于知识 | 从已知结构中提取原子对偏好 | DrugScore, PMF | 对已知体系好，外推差 |
| 机器学习 | 用神经网络或随机森林学打分 | NNScore, RF-Score | 潜力大，但易过拟合 |
我在项目中遇到过打分函数完全失灵的情况——某个打分函数对A体系表现很好，换到B体系排名全乱套。后来我养成了一个习惯：不要迷信单个打分函数，用共识打分（consensus scoring）更靠谱。至少选两个不同类型的打分函数，取它们排名的交集，这样虚报率会低很多。
4.3 构象采样：怎么处理分子柔性
受体和配体都不是铁板一块。它们会在结合过程中扭来扭去、调整形状。怎么处理这种柔性，就是构象采样要解决的问题。
构象采样分三个层次：
- 刚体对接——配体和受体都锁死，只做平移旋转。速度最快，但精度有限。适合大库初筛。
- 半柔性对接——配体可旋转键自由转动，受体保持刚性。速度和精度的黄金平衡点，我建议从这种方式开始。
- 全柔性对接——配体和受体都柔性。计算量大，但最贴近真实结合过程。适合做候选化合物的精修。
还有一个关键参数是扭转角步长。步长设太粗，会漏掉关键构象；设太细，计算量爆炸。我曾经在一个多肽对接项目中，把步长从30度改成10度，对接排名立马变了——30度时完全错过了活性构象。
给你一个经验值范围：
# 扭转角步长参考
# 快速粗筛: 30度
# 标准精度: 15度
# 高精度: 5-8度嗯，具体用哪个取决于你的算力预算和项目阶段。先粗后精，这是铁律。
4.4 参数间的协同与制约
这三类参数不是各干各的。它们之间有一条隐形链条：
- 搜索算法决定了你能探索多大的空间。
- 构象采样决定了你在每个区域采多少样、采多细。
- 打分函数决定了你用什么标准来评价采到的样本。
你想想看，如果搜索算法很强但构象采样步长太粗，好姿势被漏掉了，打分函数再准也没用。反过来，构象采样很精细但搜索算法太弱，只在局部区域打转，同样找不到全局最优。这三者必须匹配。
我曾经遇到一个案例：团队用高精度打分函数配合粗步长构象采样，折腾了一个月结果还是不对。后来我把步长从30度调到10度，同时把exhaustiveness从4提到12，结果一周就出了理想结果。说白了，参数组合拧对了，效果翻倍。
调试参数时，我习惯先固定打分函数和搜索算法，调构象采样步长；步长稳定后再调搜索算法参数；最后换打分函数做验证。这样每一步都有可追溯的记录，出了问题也能快速定位。