GNINA：GPU 加速 Docking 与 CNN 重打分

GNINA 由匹兹堡大学 Koes 组开发，是在 AutoDock Vina / smina 代码谱系上加入卷积神经网络打分的开源对接程序。它把配体-受体复合物体素化成 3D 网格，用 CNN 直接判断姿势好坏，再与经验打分结合。GPU 加速让这一步在实用速度内完成。

安装

# 最省事：官方预编译二进制
wget https://github.com/gnina/gnina/releases/latest/download/gnina
chmod +x gnina && ./gnina --version

# 或用 Docker（含 CUDA 环境）
docker pull gnina/gnina

自行编译需要 CUDA、libmolgrid、OpenBabel 等依赖，链条较长。除非要改源码，直接用二进制或容器。CPU 也能跑，但 CNN 打分会慢很多。

基本用法

# 用共晶配体自动定盒子，最省心
gnina -r receptor.pdb -l ligands.sdf \
      --autobox_ligand ref_ligand.sdf --autobox_add 4 \
      --exhaustiveness 16 --num_modes 9 --seed 42 \
      --cnn_scoring rescore -o out.sdf --log out.log

GNINA 相比 Vina 有两个直接的工程便利：直接读 PDB / SDF，不必转 PDBQT（省掉 Meeko 那一步），以及 --autobox_ligand 自动按参考配体定盒子，消除了手工填坐标这个高频错误源。

四种 CNN 打分模式

模式	行为	速度	建议
none	只用经验打分（等价 smina）	最快	超大库初筛
rescore	经验打分搜索，CNN 只对最终姿势重打分	快	默认推荐，性价比最高
refinement	CNN 参与姿势精修	慢约 10 倍	少量重点分子
all	全程 CNN 参与搜索	最慢	研究用途

怎么读输出的三个分数

• minimizedAffinity：Vina 类经验打分，kcal/mol，越负越好。
• CNNscore：CNN 判断该姿势「像不像真实结合姿势」的概率，0～1，越大越好。它评价的是姿势可信度，不是亲和力。
• CNNaffinity：CNN 预测的亲和力（pK 尺度），越大越好。

三者含义不同，别混用。常见做法是先按 CNNscore 过滤掉姿势不可信的结果，再在剩下的里按 CNNaffinity 或经验打分排序。

CNN 重打分到底值不值

• 姿势预测确有提升：在 PDBbind 类基准上，GNINA 的 CNN 重打分把 top-1 姿势 RMSD ≤ 2 Å 的成功率较纯 Vina 提高了可观的幅度，这是它最扎实的收益。
• 亲和力排序提升有限：虚拟筛选富集度的改善因靶点而异，有些体系明显、有些几乎没有。不要预期它能解决打分函数的根本问题。
• 存在训练集偏置：CNN 在 PDBbind 等结构数据上训练，对与训练分布相近的体系表现更好，对新颖化学型或罕见靶点家族要谨慎。
• 务实用法：Vina/smina 快速初筛 → GNINA rescore 重排 top 5～10% → 对最终候选上 MM/GBSA 或 FEP。逐级精化，成本和精度都可控。

延伸资源

• 基础对接：182《AutoDock Vina》；论文背景：097《AutoDock Vina 论文精读》、099《GNINA 论文精读》；
• 深度学习对接对照：184《DiffDock》、188《Uni-Mol Docking V2》；打分函数局限：095《Docking Score》；
• 教程见 016《GNINA 教程》。