用 GNINA 做 Rescoring：深度学习重打分实战

Vina 跑完初筛之后，下一步通常是重打分（rescoring）：用更精细（也更慢）的方法对 top 分子重新排序。GNINA（见 183《GNINA》）的 CNN 重打分是性价比最高的选择之一。

安装

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

# 或用容器
docker pull gnina/gnina

GNINA 有两个直接的工程便利：直接读 PDB/SDF，不必转 PDBQT；--autobox_ligand 自动定盒子，消除了手工填坐标这个高频错误源。

两种重打分模式

# 模式一：只对已有姿势重打分（最快，不重新搜索）
./gnina -r receptor.pdb -l vina_poses.sdf \
        --score_only --cnn_scoring rescore \
        -o rescored.sdf --log rescore.log

# 模式二：重新对接 + CNN 重打分（推荐，姿势也会改善）
./gnina -r receptor.pdb -l top_ligands.sdf \
        --autobox_ligand ref_ligand.sdf --autobox_add 4 \
        --exhaustiveness 32 --num_modes 9 --seed 42 \
        --cnn_scoring rescore \
        -o gnina_out.sdf --log gnina.log

--cnn_scoring	行为	相对速度	建议
none	只用经验打分（等价 smina）	1×	超大库初筛
rescore	搜索用经验分，最终姿势用 CNN 重打分	约 2×	默认推荐
refinement	CNN 参与姿势精修	约 20×	少量重点分子
all	全程 CNN	最慢	研究用途

三个分数：含义完全不同

from rdkit import Chem
import pandas as pd

supp = Chem.SDMolSupplier("gnina_out.sdf")
rows = []
for mol in supp:
    if mol is None:
        continue
    rows.append({
        "name": mol.GetProp("_Name"),
        "affinity": float(mol.GetProp("minimizedAffinity")),   # kcal/mol，越负越好
        "cnn_score": float(mol.GetProp("CNNscore")),           # 0~1，姿势可信度
        "cnn_affinity": float(mol.GetProp("CNNaffinity")),     # pK 尺度，越大越好
    })
df = pd.DataFrame(rows)

• 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。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。

混用这三个是最常见的误用。正确的组合方式：

# 两阶段筛选：先用 CNNscore 过滤姿势不可信的，再按亲和力排序
reliable = df[df["cnn_score"] > 0.5]        # 姿势可信
print(f"{len(reliable)}/{len(df)} 个姿势通过可信度过滤")

ranked = reliable.sort_values("cnn_affinity", ascending=False)
print(ranked.head(20))

# 也可看共识：三个分数都排在前面的分子最可信
df["rank_aff"] = df["affinity"].rank()
df["rank_cnn"] = df["cnn_affinity"].rank(ascending=False)
df["consensus"] = df["rank_aff"] + df["rank_cnn"]
print(df.nsmallest(20, "consensus"))

分级筛选策略

# 完整的分级流程 —— 每级成本上升、数量下降

# 第 1 级：性质与结构过滤（百万级 → 几十万）
#   RDKit 规则过滤 + PAINS/反应性过滤

# 第 2 级：Vina 快速对接（几十万 → 前 5%）
#   exhaustiveness=8，最快

# 第 3 级：GNINA rescore（前 5% → 前 0.5%）
./gnina -r receptor.pdb -l top5pct.sdf \
        --autobox_ligand ref.sdf --exhaustiveness 32 \
        --cnn_scoring rescore --seed 42 -o rescored.sdf

# 第 4 级：相互作用指纹核对（见 338）
#   ProLIF 检查是否复现共晶的关键相互作用

# 第 5 级：物理有效性检查
#   PoseBusters 检查键长键角、空间冲突

# 第 6 级：MM/GBSA 或短程 MD（前 100 → 前 30）

# 第 7 级：人工审查（见 217 的 mols2grid）
#   药化专家过一遍，挑最终的 20~30 个

# 第 8 级：采购可得性核查（见 232、233）

第 4、5、7 级最容易被跳过，但它们是命中率的关键。只按分数取 top 100 去买，很可能大部分是打分函数的漏洞。

CNN 重打分到底带来多少提升

• 姿势预测确有改善：在 PDBbind 类基准上，CNN 重打分把 top-1 姿势 RMSD ≤ 2 Å 的成功率较纯 Vina 提高了可观幅度。这是它最扎实的收益。
• 富集度提升因靶点而异：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。
• 存在训练分布偏置：CNN 在 PDBbind 等结构数据上训练，对新颖化学型或罕见靶点家族要谨慎。
• 建议自行验证：如果手上有该靶点的已知活性/非活性分子，跑一遍看富集度是否真的改善，再决定是否纳入常规流程。

# 用已知活性分子验证富集效果
def enrichment_factor(scores, labels, frac=0.01):
    """EF@1%: 前 1% 中活性分子的富集倍数"""
    n_top = max(1, int(len(scores) * frac))
    order = np.argsort(scores)          # 分数越小越好时用升序
    top_hits = labels[order[:n_top]].sum()
    return (top_hits / n_top) / (labels.sum() / len(labels))

print("Vina EF@1%:  ", enrichment_factor(vina_scores, labels))
print("GNINA EF@1%: ", enrichment_factor(-cnn_affinity, labels))
# 后者明显更高才值得纳入流程

延伸资源

• 工具详解：183《GNINA》；上一步：336《用 AutoDock Vina 跑 Docking》；
• 下一步：338《用 ProLIF 提取相互作用指纹》、339《用 PLIP 生成蛋白-配体相互作用报告》、346《比较 DiffDock、Vina、GNINA》。