BioSolveIT FlexX：经典 Docking 工具的定位

FlexX 是 BioSolveIT 的对接程序，采用增量构建（incremental construction）算法——与 AutoDock Vina 的随机搜索路线不同，它把配体拆成片段，逐步放入口袋并生长。理解这两条路线的差别，有助于判断什么时候该用哪种对接方法。

增量构建怎么工作

• 1. 拆分：把配体沿可旋转键切成刚性片段；
• 2. 选锚点：挑一个「基础片段」（通常是刚性大、相互作用潜力高的部分，如一个含氢键供受体的环）；
• 3. 放置锚点：把基础片段以多种方式放入口袋，按相互作用打分保留最好的若干个；
• 4. 逐步生长：依次加回其余片段，每加一个就枚举其构象并打分，保留最优的若干分支；
• 5. 最终排序：完整分子的姿势按打分排序。

两条路线的对比

维度	增量构建（FlexX 类）	随机搜索（Vina 类）
搜索方式	确定性、逐步生长	随机采样 + 局部优化
可复现性	天然确定	需固定随机种子
速度	通常较快	取决于 exhaustiveness
柔性大分子	片段多时分支爆炸	相对更稳
片段生长设计	天然契合	不直接支持
失败模式	早期锚点放错则全错	采样不足则漏掉正确姿势

增量构建的固有风险是「早期决策错误无法挽回」：如果基础片段放的位置就不对，后面生长得再好也是错的。这与随机搜索的失败模式（采样不足）性质不同。

它天然适合片段生长设计

基于片段的药物发现（FBDD）中，你已经知道一个小片段的结合位置（通常有共晶结构），需要在它基础上生长出更大的分子。增量构建的逻辑与这个任务完全吻合：固定已知片段作为锚点，只搜索新加部分的构象。这比整个分子重新对接更可靠，也更快。

对接算法的选择逻辑

• 常规虚拟筛选：Vina / smina（见 182《AutoDock Vina》）——免费、成熟、易并行，是默认选择。
• 需要重排序：GNINA 的 CNN 重打分（见 183《GNINA》），改善姿势预测。
• 口袋未知：DiffDock 等盲对接（见 184《DiffDock》）。
• 片段生长 / 约束对接：增量构建方法，或用 smina 的 --autobox + 位置约束近似实现。
• 受体柔性重要：集合对接（见 302《MolSoft ICM-Pro》）。
• 最终精化：MM/GBSA 或 FEP（见 201《OpenFE》）。

用开源做约束对接

# smina 支持位置约束，可近似实现「固定片段生长」

# 方法一：用参考配体的原子位置做约束
smina -r receptor.pdb -l grown_ligand.sdf \
      --autobox_ligand fragment.sdf --autobox_add 6 \
      --seed 42 --exhaustiveness 32 -o out.sdf

# 方法二：RDKit 约束嵌入 —— 保持核心骨架的三维位置
from rdkit import Chem
from rdkit.Chem import AllChem

core = Chem.MolFromMolFile("fragment.sdf")     # 已知结合姿势的片段
mol  = Chem.AddHs(Chem.MolFromSmiles(grown_smiles))
match = mol.GetSubstructMatch(core)
cmap = {match[i]: core.GetConformer().GetAtomPosition(i)
        for i in range(core.GetNumAtoms())}
AllChem.ConstrainedEmbed(mol, core, randomseed=0xf00d)
# 生成的构象保持核心片段位置不变，只搜索新增部分

ConstrainedEmbed 是做片段生长和类似物设计时非常实用的一个函数：保证同一系列分子的共同骨架处于相同位置，这样比较它们的对接结果才有意义。

共同的边界

无论哪种算法，对接的根本限制不变：打分函数与实测亲和力的相关性弱。算法的差别主要体现在姿势预测上，而不是排序能力。选算法时应该问「它能不能给出正确的结合姿势」，而不是「它的分数准不准」。先做重对接验证（RMSD ≤ 2 Å）永远是第一步。

延伸资源

• 同系列：303《BioSolveIT SeeSAR》、304《BioSolveIT HYDE》、306《BioSolveIT ReCore》；开源对接：182《AutoDock Vina》、183《GNINA》；
• 片段设计见「实战流程」模块；打分函数：095《Docking Score》。