Bohrium 是深势科技（DP Technology）的科学计算云平台，Uni-Mol Docking 是其上的在线对接服务：上传受体与配体，在云端跑基于 Uni-Mol 的深度学习对接（见 188《Uni-Mol Docking V2》），拿到结合姿势。它代表了一类产品形态：把某个具体的计算能力做成即开即用的云服务。
在线计算服务的定位
| 适合 | 不适合 |
|---|---|
| 快速试用某个方法 | 大规模批量计算 |
| 没有 GPU 的团队偶尔用 | 需要深度定制参数 |
| 验证是否值得自建 | 敏感数据 |
| 教学与演示 | 需要中间产物做深入分析 |
| 与其他方法交叉验证 | 要求严格可复现的生产流程 |
最实际的用法是「交叉验证」：本地跑 Vina 和 GNINA，再用在线服务跑一次深度学习对接，看三条不同原理的路线是否指向同一结合模式。三者一致的姿势，可信度远高于任何单一方法的高分。
使用时的判断要点
- 数据保密优先：上传的受体结构与配体结构会离开本地。未公开的靶点、专有化合物不应提交。这一条应在评估功能之前先确认。
- 结果可复现性：在线服务的模型版本可能更新，同样输入在不同时间可能给出不同结果。重要结论应记录运行日期与版本信息。
- 参数可控性有限：网页界面通常只暴露少数参数，无法做精细调整。
- 仍需做物理检查：深度学习对接的姿势可能有键长键角问题或空间冲突，拿到结果后应过一遍 PoseBusters 类检查，并做能量最小化。
- 费用模式：按计算量计费时，注意成本控制。
本地部署的对照
# 如果确认这个方法有用，本地部署并不难
git clone https://github.com/deepmodeling/Uni-Mol.git
cd Uni-Mol/unimol_docking_v2
pip install -e .
# 本地跑，数据不出内网，参数完全可控
python interface/demo.py --mode single --conf-size 10 --cluster \
--input-protein receptor.pdb --input-ligand ligand.sdf \
--input-docking-grid grid.json \
--model-dir ckpt/unimol_docking_v2.pt决策逻辑很简单：在线服务用于「试」，本地部署用于「用」。试用阶段省掉部署成本很合理；一旦确认要纳入常规流程，本地部署在数据安全、可复现性、成本、可控性上都更好。
对接方法的选择框架
无论用什么服务，方法选择的逻辑是一致的：
- 超大规模初筛：Vina / smina，快且成本可控（见 182《AutoDock Vina》）；
- 中等规模 + 重排序：GNINA 的 CNN 重打分（见 183《GNINA》）；
- 口袋未知：DiffDock 等盲对接方法（见 184《DiffDock》）；
- 关注姿势物理合理性：Uni-Mol Docking V2（见 188《Uni-Mol Docking V2》）；
- 最终精化：MM/GBSA 或 FEP（见 201《OpenFE》）；
- 永远的前提：先做重对接验证（RMSD ≤ 2 Å），做不到就说明准备或口袋定义有问题，后面的结果都不可信。
提示
在线服务的功能、定价与模型版本变动较快，本文为方向性介绍。核心提醒：敏感结构不应上传外部服务；在线试用适合评估方法，确认有用后建议本地部署。