结合案例图分析，我把这个项目的完整过程、参数设置、结果解读和踩坑经验整理如下。
客户手上有 15 个结构类似的小分子，想快速预测它们对同一靶点的结合亲和力，并且评估对接打分函数是否可靠。他的目标是：用对接 score 建立一个和实验 ΔG 相关的经验模型。
我用的软件是 AutoDock Vina 做对接，再用 Python 做最小二乘拟合。对每个分子，我把它对接到同一个受体结合口袋，取最佳 pose 的 score；然后和文献/实验测得的 ΔG_exp 做线性回归。
参数设置：受体固定为同一构象，对接盒子精确覆盖活性口袋（20×20×20 Å），exhaustiveness=32，每个分子做 3 次重复对接取平均 score；实验 ΔG 范围从 -12 到 -4 kcal·mol⁻¹，覆盖了弱结合到强结合。
第一张案例图是 docking score 与 RMSD 的关系散点。横轴是 pose 与晶体结构的 RMSD（Å），纵轴是 docking score（kcal·mol⁻¹）。颜色从黄到紫代表 score 从好到差。左下角有一个红星，代表全局最低能量 pose，它的 RMSD<2 Å，落在 native basin（绿色阴影区）内。这说明打分函数成功把 near-native pose 排到了第一位，这是对接可靠性的核心指标。
第二张案例图是对接预测的 ΔG_pred 与实验 ΔG_exp 的线性相关。横轴是实验 ΔG，纵轴是预测 ΔG，黑线是线性拟合，灰虚线是理想 agreement。拟合决定系数 R²=0.993，均方根误差 RMSE 约 0.3 kcal·mol⁻¹，说明在这个同系物系列里，Vina score 经过线性校正后可以非常准确地预测相对亲和力。
第一，同系物才适合做这种线性校正。如果 15 个分子骨架差异很大，R² 会掉到 0.7 以下。我一开始就帮客户确认了这 15 个分子都有共同的母核，只是取代基不同。
第二，RMSD 基准必须可靠。没有晶体 pose 时，可以用自身对接（redocking）来验证：把晶体配体抽出来再对回去，看能否重现。
第三，不要过度解读绝对值。R²=0.993 说的是相对排序准，但预测 ΔG 的绝对值 still 依赖校正系数，不能直接当实验值用。
下次再做对接预测建模，我会固定这个验证流程：redocking 验证 pose 重现 → 打分-实验相关性 → 留一法交叉验证 → 给出适用范围（同系物/相似骨架）。这样客户拿去发文章时，审稿人很难质疑模型的可靠性。
计算工程师团队：500+ ｜ 成功计算案例：5W+ ｜ 1W+ 助力顶刊发布经验 需要模拟代算服务可以联系我们，可免费评估项目的计算费用和免费出计算方案。
