从"生数据"到对接结果：semdock 让虚拟筛选不再受制于 ZINC
这篇方案解决什么问题
基于分子对接的虚拟筛选是大规模化合物库筛选、锁定候选活性分子的常规手段。此前的 jamdock-suite 已把"从建库到对接评估"整条流程自动化——但它有个硬伤：化合物库生成只能依赖 ZINC 数据库的外部服务器。用户自带的化合物集合（PubChem、ChEMBL、供应商目录、天然产物数据库、自建库）进不去流程，还得自己手工预处理。
本文发布的 semdock 工作流正是为补上这一环：直接吃 SDF、SMILES、CSV 三种最常见格式的原始化学数据集，自动完成从"生结构"到"可对接 PDBQT 文件"的全套配体准备，并新增按配体分配 CPU 核的并行对接（实测比传统多线程快约 30%）与自动化的对接后分析。
四大亮点（原文 Highlights）：
- 支持从原始 SDF、SMILES、CSV 数据集直接启动虚拟筛选；
- 自动化配体准备：从原始结构一路到可直接对接的 PDBQT 文件；
- 每个配体独占一个 CPU 核的并行对接；
- 按阈值过滤并整理虚拟筛选结果，输出带分子描述符的数据表。
工作流结构：四个模块接力
| 模块 | 来源 | 职责 |
|---|---|---|
| sem_prep | 本文新增（含 3 个脚本） | 解析并标准化输入数据集（input_handler.py）、质子化（protonate.sh）、3D 构象生成与能量最小化（generate_3d.py），输出 PDBQT |
| jamreceptor | jamdock-suite（Data S3） | 受体结构清洗、分配 Gasteiger 电荷、转 PDBQT；用内置 fpocket 自动识别结合口袋并生成对接网格参数 |
| sem_dock | 本文新增 | 调用 AutoDock Vina 引擎，按配体分核并行对接 |
| sem_filter | 本文新增（另有 fail_check 脚本，Data S6） | 处理 Vina 输出，按结合能阈值或 Top-N 排名过滤，生成三个 CSV 结果表；可选 SimScore 构象收敛性评分 |
原版 jamdock-suite 的五个脚本（jamlib / jamreceptor / jamqvina / jamresume / jamrank）中，semdock 替换了"建库"（jamlib→sem_prep）与"对接"（jamqvina→sem_dock）两个环节，保留了受体准备等其余能力，并继承 jamrank 的 SimScore 计算思路。
材料与软件清单（关键资源表）
| 类别 | 名称 | 来源 / 标识 |
|---|---|---|
| 数据 | 虚拟筛选流水线 Bash/Python 脚本 | 本文；Zenodo: 10.5281/zenodo.19998830；GitHub: elrando/semdock |
| 数据 | 虚拟筛选化合物库 | ZINC 数据库（zinc.docking.org） |
| 数据 | 维生素 D 核受体配体结合域晶体结构 | PDB: 1IE9 |
| 数据 | 盐皮质激素受体配体结合域晶体结构 | PDB: 3VHU |
| 数据 | LOV 光传感域晶体结构 | PDB: 4R38 |
| 数据 | 孕激素受体配体结合域晶体结构 | PDB: 1SQN |
| 系统 | Ubuntu 24.04 LTS | ubuntu.com |
| 语言 | Python 3 | python.org |
| 工具 | GNU Wget 1.21.4 / nano 7.2 / curl 8.5.0 / git 2.43.0 | GNU Project 等 |
| 构建 | Cmake 3.28.3、Boost 1.83 | Kitware / Boost C++ Libraries |
| 环境 | Conda 26.1.0 | Anaconda |
| 化学 | RDKit 2025.09.2 | rdkit.org（Zenodo: 10.5281/zenodo.17495409） |
| 化学 | Meeko 0.7.1（PDBQT 转换） | Forli Lab（GitHub: forlilab/Meeko） |
| 化学 | Dimorphite-DL（质子化） | Durrant Lab（PyPI） |
| 对接 | AutoDock Vina 1.2.7（本文有修改版） | 官方 GitHub: ccsb-scripps/AutoDock-Vina；修改版: elrando/AutoDock-Vina |
| 并行 | GNU Parallel | GNU Project（Zenodo: 19701238） |
| 可视化 | PyMOL 3.1.0 Open-Source | Schrödinger（GitHub: schrodinger/pymol-open-source） |
本研究为纯计算工作流，不产生新实体材料。补充材料 Data S1（详细执行手册）、S2–S6（各模块代码）、S7（验证用 FDA 化合物库 CSV）随文发布。联系作者：Jahangir Md. Alam（jahangir@btge.iu.ac.bd）。
分步方案
Step 1 · 环境安装
在 Linux 环境安装 semdock 工作流及全部依赖（细节见 Data S1：Ubuntu 24.04、Python 3、RDKit、Meeko、Dimorphite-DL、GNU Parallel、修改版 Vina 等）。建议用 Conda 管理依赖。
Step 2 · 准备配体输入数据
- 输入支持 SDF、SMILES、CSV 三种格式；
- CSV 只要求含一列 SMILES——从 ZINC、PubChem、ChEMBL 下载的数据通常自带 SMILES 列，无需任何预处理即可直接使用；
- 验证用库：ZINC 下载的 3,230 个 FDA 批准化合物（CSV，含化合物标识符与 canonical SMILES，Data S7）。
Step 3 · 自动化配体准备（sem_prep，五个子步骤）
- 标准化用 RDKit 统一化合价/电荷等来源差异；
- 质子化用 Dimorphite-DL 在 pH 7.4 下指定质子化态——每个化合物只取单一质子化态（效率与可扩展性的取舍，见局限性）；
- 3D 构象生成RDKit 的 ETKDGv3 距离几何算法；
- 能量最小化MMFF94 力场，参数缺失时自动回退到 UFF；
- 格式转换用 Meeko 把优化后的 3D 结构转成对接就绪的 PDBQT。
全程保留化合物原始标识符（保证对接与后续分析可追溯），每一阶段都记录处理日志，成功与失败分子分列。
Step 4 · 受体准备（jamreceptor）
- 从 RCSB PDB 下载目标蛋白结构（验证用四个：1IE9、3VHU、4R38、1SQN）；
- 受体结构清洗 → 分配 Gasteiger 电荷 → 转 PDBQT；
- 内置 fpocket 自动识别结合口袋，生成对接网格（grid）参数。
Step 5 · 并行分子对接（sem_dock）
- 引擎：AutoDock Vina（选 Vina 而非原版 jamqvina 所用的 QuickVina 2——QVina 2 虽平均快约 2.3 倍，但 Vina 精度更高，本工作流优先保证预测质量）；
- 参数：exhaustiveness 32、最多 9 个结合模式、能量范围 5 kcal/mol（保留与最优姿态能量差 5 kcal/mol 以内的所有结合姿态）；
- 并行策略：可用 CPU 核按配体为单位分配，每个配体独立对接——相比"全部核同跑一个对接任务"的多线程模式，负载更均衡，减少因配体复杂度差异造成的 CPU 空转；
- 验证环境：KVM 虚拟机（AMD EPYC 9334 32 核、32 GB RAM），分配 30 核。
Step 6 · 对接后分析（sem_filter）
处理 Vina 输出，按结合能排名，支持两种过滤方式：设结合能阈值，或直接取 Top-N。输出三个 CSV 数据表：
| 输出文件 | 内容 |
|---|---|
| 表 1 | 全部已对接配体的结合能 |
| 表 2 | 仅过滤/排名后的化合物 |
| 表 3 | 过滤后化合物 + 分子描述符（分子量 MW、拓扑极性表面积 TPSA、氢键供体 HBD、氢键受体 HBA、可旋转键 RotB、脂水分配系数 LogP） |
可选 SimScore 评分（继承自 jamrank）：度量同一配体各对接姿态间的相似性，反映姿态收敛程度，作为化合物排序的辅助指标。三个表均保留配体文件名、来源数据库与来源标识符（ZINC ID、PubChem CID 等），可直接接入下游化学信息学分析、机器学习或迭代筛选。
验证结果（预期结果长什么样）
- 配体准备成功率 98.17%：3,230 个 FDA 批准化合物（结构极其多样——多肽、大环、高电荷、多手性中心药物俱全）中 3,171 个全流程成功，仅 59 个（1.83%）失败；
- 对接提速约 30%：同一化合物库（3,171 个）对四个靶点，逐配体并行耗时 7–10 小时，传统 30 线程多线程模式需 10–15 小时（相同硬件与参数）；
- 生物学合理性保持：四个靶点中，已知共晶配体全部进入 Top 榜单；预测结合姿态与晶体结构中的实验构象高度吻合（PyMOL 叠合目检）；
- 失败化合物分析见 Troubleshooting。
Troubleshooting：为什么会有 1.83% 失败？
失败几乎都发生在构象生成阶段。查看失败分子结构，共性是拓扑刚性极强：桥环/多环骨架、螺环连接点、多个手性中心。这类结构让 ETKDGv3 的扭转与立体化学约束难以生成化学上合理的 3D 构象，导致后续优化与 PDBQT 转换无法完成。
| 问题 | 原因 | 处理建议 |
|---|---|---|
| 配体制备失败 | 刚性结构 + ETKDGv3 约束限制 | 本工作流为评估全自动性能未人工修正；实际项目中可人工指定构象、或分批调整构象生成参数后重跑 |
| 对接预测不准 | 刚性受体对接不考虑蛋白柔性 | 高动态结合位点的靶点慎用；把结合能/姿态视为早期优先级排序的近似 |
| 某些化合物漏筛 | 每配体单一质子化态、单一最优构象 | 对重点候选可补充多质子化态/互变异构体单独处理 |
| 内存吃紧 | 每个对接进程独立占内存 | 大搜索空间（盲对接）项目需预留充足内存 |
局限性
- 刚性受体：不考虑蛋白柔性，预测的结合能与姿态是近似值，适合早期优先级筛选，不适合替代更精细的采样方法；
- 单质子化态 + 单构象：为效率牺牲了化学采样，可能漏掉与结合相关的质子化态、互变异构体、立体化学变体或构象；
- 无 GPU 加速：以普通 CPU 系统的可及性为设计目标；且每进程独立占内存，盲对接等宽搜索空间场景内存需求可观；
- 打分≠真实结合：对接得分、排名与 SimScore 不能区分真结合物与假阳性，实验验证不可省略——筛出的化合物只应作为待检验的假设。
尽管如此，semdock 补齐了 jamdock-suite 最大的短板（只能用 ZINC 库），用 98.17% 的制备成功率和四靶点验证证明了可靠性，让药物重定位、精选化合物库筛选、自建库分析等场景都能从"生数据"一键起步。
与原版 jamdock-suite 的对照速查
| 环节 | jamdock-suite（原版） | semdock（扩展版） |
|---|---|---|
| 化合物库来源 | 仅 ZINC 数据库服务器 | 任意 SDF / SMILES / CSV 数据集 |
| 配体制备 | 不含（由 ZINC 出库即"成品"） | RDKit 标准化 → Dimorphite-DL（pH 7.4）→ ETKDGv3 → MMFF94/UFF → Meeko |
| 对接引擎 | QuickVina 2（快约 2.3 倍） | AutoDock Vina（精度优先） |
| 并行方式 | 多线程共跑单任务 | 每配体独占一核（快约 30%） |
| 结果整理 | jamrank | sem_filter（三表输出 + 描述符）+ 可选 SimScore |
| 姿态收敛指标 | SimScore（jamrank） | SimScore（继承） |