EquiBind（MIT，ICML 2022）是最早一批「直接回归结合姿势」的深度学习对接模型。它用 SE(3) 等变图神经网络一次前向传播就输出配体的结合坐标，不做任何采样或搜索——单个复合物的推理时间在毫秒到秒级，比传统对接快几个数量级。
部署
git clone https://github.com/HannesStark/EquiBind.git
cd EquiBind
conda env create -f environment.yml
conda activate equibind
# 单个复合物
python inference.py --config=configs_clean/inference.yml输入目录按「每个复合物一个子目录，内含 protein.pdb 与 ligand.sdf」组织。依赖较老的 PyTorch / DGL 版本，环境复现是主要摩擦点，建议严格按 environment.yml 装。
核心思路：等变性为什么重要
分子在空间中旋转平移后，结合姿势应当随之同样旋转平移——这是物理事实。SE(3) 等变网络把这条对称性直接编码进架构，而不是靠数据增强去学。好处是样本效率高、结果不依赖输入朝向；代价是架构复杂、表达能力受约束。这个思路后来被 DiffDock、RFdiffusion 等广泛沿用，理解 EquiBind 有助于读懂整条技术线。
真实精度：必须诚实看待
- 在 PDBBind 测试集上，EquiBind 的 top-1 姿势 RMSD ≤ 2 Å 的比例大致在 20% 左右，明显低于调好的传统对接（Vina 通常 35%～50%）。
- 它的中位 RMSD 通常在 5～7 Å 量级，意味着多数姿势的细节不可用于相互作用分析。
- 常见失败模式是与蛋白发生空间冲突、键长键角畸变——一步回归没有物理约束层，这类问题结构性存在。
- 原论文也建议配合后处理（能量最小化 / 传统对接精修）使用，作者对定位是清楚的。
正确定位
| 用途 | 是否合适 | 说明 |
|---|---|---|
| 千万级库的粗定位 | 合适 | 速度是唯一无可替代的优势 |
| 给传统对接提供初始姿势 | 合适 | 缩小搜索范围，再由 Vina 精修 |
| 结合模式分析 / 相互作用解读 | 不合适 | 精度不足以支撑残基级结论 |
| 亲和力排序 | 不合适 | 模型不输出可靠打分 |
| 指导化学合成决策 | 不合适 | 单独使用风险过高 |
现在还该用它吗
作为生产工具，它已被 DiffDock（见 184《DiffDock》）、TankBind（见 186《TankBind》）、Uni-Mol Docking V2（见 188《Uni-Mol Docking V2》）等后续方法在精度上超越。它今天的主要价值有两个：一是作为等变几何深度学习的教学范例——架构清晰、论文可读性好；二是在极端规模筛选中做第一道粗过滤，用速度换覆盖面。评测新方法时，它也常被当作速度基线。
上手提示
- 它的卖点是速度（毫秒级），不是精度（top-1 成功率约 20%）；
- 输出姿势常有空间冲突，必须做能量最小化或传统对接精修；
- 不要用它的结果做相互作用分析或合成决策；
- 作为理解 SE(3) 等变网络的入门范例，它的价值仍然很高。
延伸资源
- 论文与方法线：102《EquiBind 论文精读》、101《DiffDock 论文精读》；
- 后续更强方法：184《DiffDock》、186《TankBind》、188《Uni-Mol Docking V2》；
- 传统对接对照：182《AutoDock Vina》、183《GNINA》。