lyy 个人博客解决问题
蛋白模拟
小小编程
机器学习
要看文献
成长思考
自娱自乐
gnina分子对接
type
status
date
slug
summary
tags
category
icon
password
分子对接+卷积神经网络打分
使用卷积神经网络（CNN）对对接生成的姿势（pose）进行打分，预测结合亲和力（affinity）和姿势准确性。vina似乎必须用pdbqt格式，所有必须转成pdbqt格式，而gnina支持sdf，pdb，smiles等，不需要自己转，原理还是因为GNINA 使用 OpenBabel 处理输入，因此支持 OpenBabel 的所有格式。
1. 安装依赖库文件
2. 安装openbabel3
配置环境变量
测试
3. libmolgrid编译安装
进入虚拟环境
配置libmolgrid环境变量
4. gnina编译安装
又下载了libtorch（此处省略）
总的环境变量
如何批量操作实践
加氢
针对受体蛋白，gnina不会自动添加氢原子，因为蛋白结构复杂，氢原子位置依赖pH值、残基状态等。可以提前用H++进行处理，或者简单点直接用DS处理。
针对配体小分子，--addH 参数默认是True，所以默认给小分子添加氢原子，配体不用提前做加氢原子处理。
将文件夹中所有sdf文件名写入到一个txt中
批量处理脚本
赋予执行权限
创建输出文件夹。
修改路径。
执行
结果
成功结合在配体附近
rescore和refinement对比
参数 --cnn_scoring rescore结果：
Using random seed: 42
0% 10 20 30 40 50 60 70 80 90 100%
|----|----|----|----|----|----|----|----|----|----|
| pose 0 | initial pose not within box
mode | affinity | intramol | CNN | CNN
| (kcal/mol) | (kcal/mol) | pose score | affinity
-----+------------+------------+------------+----------
1 -8.95 -1.36 0.3060 7.056
2 -9.42 -0.19 0.2392 7.042
3 -9.59 -2.74 0.2094 6.785
4 -8.17 -0.23 0.1901 5.897
5 -7.35 0.38 0.1861 5.213
6 -6.81 0.03 0.1505 5.404
7 -6.87 -3.04 0.1377 5.374
8 -7.21 -1.69 0.1364 5.447
9 -6.84 -2.57 0.1318 5.237
参数--cnn_scoring refinement结果：
0% 10 20 30 40 50 60 70 80 90 100%
|----|----|----|----|----|----|----|----|----|----|
| pose 0 | ligand outside box
| pose 0 | ligand outside box
| pose 0 | ligand outside box
| pose 0 | ligand outside box
| pose 0 | ligand outside box
| pose 0 | ligand outside box
| pose 0 | ligand outside box
| pose 0 | ligand outside box
| pose 0 | ligand outside box
| pose 0 | ligand outside box
| pose 0 | ligand outside box
mode | affinity | intramol | CNN | CNN
| (kcal/mol) | (kcal/mol) | pose score | affinity
-----+------------+------------+------------+----------
1 -1.12 15.60 0.5259 6.345
2 -0.30 1.70 0.4251 6.568
3 4.34 0.65 0.4239 6.747
4 1.40 -2.03 0.3928 6.570
5 12.13 -0.86 0.3894 6.445
6 2.87 28.94 0.3588 6.656
7 0.43 -0.48 0.3558 6.772
8 -0.52 13.72 0.3056 6.255
9 -2.24 -2.47 0.2873 6.204
可见设置--cnn_scoring refinement有多个pose。设置--cnn_scoring rescore只有一个参数，速度快。
批量提取对接信息写入csv
全局对接
找蛋白中心
搜索框尺寸（--size_x/y/z）：需要足够大以覆盖整个受体。可以通过计算受体坐标的最大和最小值来确定：
我全局对接，第一次结果和第二次不一样？太奇怪了。第一次好多对接在距离蛋白很远的位置。我严重怀疑结果有问题，就又对接一次，参数也没改，结果这次都接在了蛋白上。有说法。
第二天：有说法个屁，我傻逼了，用错了，对接中心选错了，难怪会飞。选对对接盒子之后，全局对接没有任何问题。
用VMD算集合中心
set sel [atomselect top all]
set center [measure center $sel]
puts "Protein geometric center: $center"
啊啊啊啊啊又发现个问题，github上usage直接就写了，全局对接，
To perform whole protein docking:
直接把对接盒子--autobox_ligand设置成蛋白rec.pdb即可，艹。
参数注释
常用参数
smina是vina的fork，gnina是smina的fork。
gnina的好多参数是和smina一样的，可以参考smina。
下载预编译的二进制文件
又发现一个问题，之前的clone源代码进行编译，没毛病，但并不是唯一的方法。原来还可以下载预编译的二进制文件，打包了很多依赖，也不用自己再下载，节约时间。其实人家在Installation也说了：We recommend that you use the pre-built binary unless you have significant experience building software on Linux, in which case building from source might result in an executable more optimized for your system.
如何判断是支持linux还是windows运行的：
Releases 页面的Assets 部分一般会说明，一般都是linux，除非exe或者特殊说明。
靠一个更简单的方法，直接在colab运行，人家已经弄好了An example colab notebook showing how to use gnina is available here. 适用小任务快速对接。不过批量处理还是建议在本地。
这个学习好使3天半，净时间可能10个小时，包括写这个博客的时间，不过现在再让我做可能10分钟就能跑，也是进步。。。。。。吧。
参考资料
GitHub：
Loading...
Last update: 2025-04-19
🎉终于搭建完成🎉
-- 感谢您的支持 ---
👏欢迎阅读👏