结合自由能（binding free energy）是定量评价蛋白-配体相互作用强度的核心热力学量，直接关联药物分子的活性（IC₅₀/EC₅₀）。在药物发现流程中，准确预测结合自由能可显著降低虚拟筛选的假阳性率、指导先导化合物优化。然而，结合自由能是焓与熵共同贡献的结果，涉及溶剂化、去溶剂化、构象熵与氢键/范德华相互作用的复杂平衡，精确计算极具挑战。
本项目采用”分子对接初筛 + MM/PBSA 精算”的组合策略：先以分子对接获得配体结合构象，再用分子力学/泊松-玻尔兹曼表面积方法（MM/PBSA）对结合自由能进行能量分解，并评估预测值与实验的结合自由能相关性。
分子对接在受体结合口袋内搜索配体的取向与构象，用打分函数（如 Vina 打分）估计结合亲和力。对接速度快但精度有限（通常误差 1.5–2.5 kcal/mol），适合从海量化合物中初筛命中，但不足以准确排序近似强度的候选分子。
MM/PBSA 结合自由能分解为多项贡献：ΔG_bind = ΔE_vdW + ΔE_elec + ΔG_PB + ΔG_SA − TΔS。其中 ΔE_vdW 与 ΔE_elec 为气相中受体-配体分子力学相互作用（范德华与静电），ΔG_PB 为极性溶剂化能（求解泊松-玻尔兹曼方程），ΔG_SA 为非极性溶剂化能（与溶剂可及表面积成正比），−TΔS 为熵贡献（常用正则模或准谐近似估算）。该方法从 MD 轨迹的系综平均中获得，比单构象打分更稳健。
各项贡献符号与大小揭示结合驱动力的本质：范德华与静电吸引项为负（驱动结合），极性溶剂化项为正（去溶剂化惩罚），非极性项为负（疏水效应）。总结合自由能通常在 −30 至 −50 kcal/mol（气相+溶剂化合计）与 −5 至 −12 kcal/mol（含熵）两个层面报告，后者对应可测的结合常数。
图 14 的左面板给出一个代表性复合物的 MM/PBSA 能量分解柱状图：范德华项 ΔE_vdW = −52.3 kcal/mol（蓝色柱，最大吸引贡献）、静电项 ΔE_elec = −18.7 kcal/mol（青色柱）、极性溶剂化 ΔG_PB = +41.2 kcal/mol（橙色柱，去溶剂化惩罚）、非极性溶剂化 ΔG_SA = −6.8 kcal/mol（紫色柱），最终结合自由能 ΔG_bind = −9.2 kcal/mol（红色柱）。分解清晰显示：范德华作用与疏水效应（非极性项）是结合的主要驱动力，静电吸引虽有利但被极性去溶剂化惩罚大幅抵消，这是蛋白-配体口袋多为疏水环境的典型特征。−9.2 kcal/mol 对应解离常数约纳摩尔至微摩尔量级，与实验活性数据吻合，验证了 MM/PBSA 方法的可靠性。
图 14 的右面板给出 8 个配体预测 ΔG（MM/PBSA）与实验 ΔG 的相关性散点图（蓝色圆点，黑色虚线为理想 y = x 线）。散点紧密分布在 y = x 线附近，皮尔逊相关系数 R² = 0.82，说明预测与实验高度一致，方法能正确区分强弱结合配体。个别点存在约 0.5–0.8 kcal/mol 的偏差，主要来自熵估算与构象采样的近似。该相关性图是药物虚拟筛选方法学验证的标准图——R² > 0.8 表明该打分方案可用于先导化合物的活性排序。
两面板结合，左面板揭示了单个复合物的结合驱动力（能量分解），右面板验证了方法对一系列配体的预测能力（相关性），共同证明”对接 + MM/PBSA”组合策略能够可靠预测蛋白-配体结合自由能，为药物发现中的亲和力排序提供定量工具。
本项目对 8 个蛋白-配体复合物进行了对接与 MM/PBSA 结合自由能计算，代表性复合物 ΔG_bind = −9.2 kcal/mol，预测与实验相关性 R² = 0.82。案例图以能量分解柱状图与相关性散点图双面板呈现。
后续可拓展：(1) 引入溶剂化自由能更精确的 MM/GBSA 与 FEP/TI 方法对比；(2) 对不同系列化合物开展虚拟筛选，验证命中率提升幅度；(3) 结合 AI 打分函数（如 DeepDock 后处理），进一步提高排序精度。
