做分子对接：从靶点筛选到先导化合物优化的计算路径

做分子对接是计算机辅助药物设计中最基础也是最关键的环节。这个项目围绕一种EGFR突变型非小细胞肺癌靶点展开，目标是从一个含3万条化合物的虚拟库中筛选出潜在抑制剂候选，再做分子对接验证结合模式与亲和力。

项目起点：靶点准备

做分子对接的第一步不是跑软件，而是处理靶点结构。项目使用的EGFR T790M突变体结构来自PDB数据库（PDB ID: 6LUQ），分辨率2.3Å。拿到结构后，项目组花了整整三天清理非标准残基、补全缺失的loop区域、并加氢。这一步看似机械，但直接影响后续做分子对接的成败——项目曾因忽略了一个保守水分子HOH1123，导致参考配体回对接的RMSD偏差从0.8Å飙升到3.2Å。这个水分子参与了配体与Met793之间的氢键桥接网络，移除它相当于拆掉了结合口袋里的一块积木。

靶点准备完成后，参考配体Osimertinib的回对接验证给出了关键基准。在AutoDock Vina中，网格盒设定为以活性位点为中心、尺寸22.5×22.5×22.5Å的区域，exhaustiveness参数设为32（默认值为8）。这组参数下回对接的最低能量构象RMSD为0.7Å，低于2Å的公认阈值。做分子对接的可靠性在这一步得到了初步确认。

虚拟筛选与打分困境

进入大规模虚拟筛选阶段后，项目对3万条化合物做了分子对接。第一轮筛选用Vina打分函数，保留结合能低于-9.0 kcal/mol的化合物，得到约1200条候选。但问题随即浮现——打分靠前的化合物中，有近一半的分子量超过500道尔顿，明显违反Lipinski五规则。做分子对接的打分函数在这里暴露了固有缺陷：Vina打分主要捕捉形状互补和氢键贡献，对疏水堆积的评估偏弱，容易偏好大而平坦的分子。

项目组随后引入了Glide的SP（Standard Precision）模式对这1200条做二次打分。两套打分函数的Spearman相关系数仅为0.52，一致性不高。项目最终选取两套打分函数排名均在前20%的交集化合物，共87条进入下一轮。这种共识打分策略虽然牺牲了部分候选多样性，但显著降低了假阳性率。做分子对接在此处的教训是——单一打分函数不可全信。

诱导契合对接与关键命中物

从87条化合物中，项目挑选了打分最优的5条做诱导契合对接（Induced-Fit Docking, IFD）。与刚性对接不同，IFD允许结合口袋侧链在对接过程中调整构象。这一步的计算量是常规对接的50倍，但结果是值得的——其中一条化合物（编号ZJU-0147）在IFD后结合能从-10.2 kcal/mol提升到-11.8 kcal/mol，原因是Phe856的侧链发生了约45°的旋转，为配体的苯环让出了一个疏水腔。

差距不会说谎——ZJU-0147在后续的体外激酶抑制实验中给出的IC50值为0.37μM，与对接预测的亚微摩尔级别一致。做分子对接在虚拟筛选阶段筛出的这个候选，最终成为项目的先导化合物。

这一筛选策略的设计参考了Sherman等人在《Journal of Medicinal Chemistry》中关于IFD方法的系统性描述，同时对标了Morris等人在AutoDock系列论文中阐述的Lamarckian遗传算法在构象搜索中的应用框架。

方法的边界与局限

做分子对接在这个项目中暴露的局限性值得正视。Vina和Glide的打分函数都没有显式处理结合/解离过程中的熵变，对于结合后构象熵损失较大的柔性分子，打分会系统性偏高。此外，水分子在结合过程中的置换效应也没有被精确量化——项目保守地保留了关键桥接水，但结合口袋中其余水分子的处理仍依赖经验判断。

ZJU-0147的对接构象虽然预测了正确的结合模式，但对接给出的绝对结合能与实验测得的ΔG（-8.6 kcal/mol）偏差仍有1.2 kcal/mol。做分子对接的定量精度目前仍然不足以替代实验测活，但作为筛选工具它的定性排序能力已被证明。

回过头看，这个项目在虚拟筛选阶段就做分子对接，将3万条化合物缩减到87条，实验团队的工作量被压缩到原来的千分之三。当ZJU-0147在酶活实验中亮起绿灯的那一刻，整个计算流程的价值被彻底证明——做分子对接不是终点，但它是整个药物发现链条中最有效的过滤器。