AI虚拟筛选药物设计是这几年生信方向里热度一直不减的主题。它做的事情其实很具体在海量化合物分子里用计算的方式快速筛选出有可能和某个靶点结合的分子减少湿实验的盲目性。很多刚接触这个方向的人以为买一套课程或者拿到一份代码就能直接出结果真上手之后才发现卡人的往往不是模型算法而是靶点结构、化合物格式、对接参数、输出目录这些看起来不起眼的基础细节。我前段时间完整跑了一轮这类“AI虚拟筛选生信”的学习流程也对比过不少从零基础到进阶的教学资料。这套标价接近八千的课程用的组织方式是“视频 代码 数据”三件套视频负责讲原理和流程代码提供可运行的脚本数据保证你能跟着操作而不是对着空气看课件。这篇文章就把我跑完后的理解整理一遍重点说明学习路径、环境准备、单任务实操、进阶思路、常见报错和学习建议。这里得先说清楚虚拟筛选不是一个软件点一下就能完成的任务。它涉及靶点结构、化合物库、分子对接、特征打分、机器学习排序等环节。生信在这条链路里起的作用是处理结构和序列数据、提取特征、分析计算结果以及在多轮筛选后把最终候选分子整理成可以交给实验的清单。如果你是有 Python 基础、知道分子对接是什么、但还没系统跑过完整流程的人这篇文章会比较合适。如果你是完全零基础、连 SMILES 都不知道是什么建议先花两三周把 Python 和基础生信概念补上再来读这篇文章。1. 先想清楚虚拟筛选到底在筛什么生信在哪里介入1.1 完整的虚拟筛选链路不等于“跑一次对接”第一次接触虚拟筛选的时候很多人会把它等同于分子对接。实际上对接只是整条链路里的一个环节。一套完整的虚拟筛选流程通常包括这些步骤确定疾病靶点拿到蛋白质结构或者通过同源建模得到结构。准备靶点结构去水分子、补缺失残基、加氢、分配电荷、转换为适合对接的格式。准备化合物库从公开数据库下载或者用生成方法构造候选分子集合。使用快速对接或形状相似性等算法做初筛。对初筛结果做更精细的对接、打分或结合模式分析。结合机器学习模型或物理打分函数对候选分子重新排序。人工分析排名靠前的分子整理成候选列表给实验人员。生信分析在这条链路里几乎每步都会介入。比如解析 PDB 文件、判断链和残基完整性、处理 SDF 和 SMILES、提取描述符、做聚类去冗余、分析对接结果的热图或相互作用图。这些都是生信基础功。我一般会先把整条链路画成一张流程图标清楚每个节点的输入和输出。这样在学习课程或看代码的时候才知道手上这段脚本到底对应哪一步出了问题也知道去哪一层找原因。1.2 这个流程适合解决什么问题虚拟筛选适合的场景很明确你手里有靶点结构有一定数量的候选化合物希望快速缩小实验范围。典型例子是发现某个蛋白结构和疾病有关想从几十万甚至几百万个化合物里挑出几百个进行活性测试。不适合一上来就用虚拟筛选的场景也有你还没有靶点结构也不具备同源建模条件你只是想得到“看起来很高级”的结果没有后续实验验证你对计算资源完全没有概念准备拿一台内存很小的机器跑超大数据库。这种情况下结果很难有实际参考价值。1.3 为什么“视频代码数据”三件套对学习很重要很多教学资料只给 PPT 和讲解视频看完之后你会觉得“听懂了”真动手时却不知道第一行命令是什么。反过来只给代码没有讲解你又很难理解为什么这里要加氢、为什么那里要设盒子。一套合理的资料应该同时满足三件事视频讲清楚“为什么这么做”代码展示“实际怎么做”数据让你“能完整跑一遍”。这套课程的价值在于把这三件事组合起来了。尤其是数据部分如果没有一个和代码完全匹配的输入文件初学者很容易卡在“文件格式对不上”这种问题上。2. 开始之前先把环境踩熟2.1 最基础的环境清单学习虚拟筛选之前先别急着装大而全的软件。我建议按最小可运行集来准备后续用到什么再补什么。下面这张表是我自己在入门阶段常用的工具和用途。工具用途备注Python 3.x主要编程环境建议通过 Miniconda 安装管理RDKit分子结构处理、描述符计算几乎每个生信筛选项目都会用到Open Babel格式转换PDB、SDF、SMILES 互转AutoDock Vina分子对接开源、轻量、适合入门MGLTools 或 ADFRsuite准备 PDBQT不是必须但经常用到PyMOL 或 ChimeraX结构查看用来检查靶点结构和对接结果pandas / numpy / scikit-learn数据和机器学习进阶重打分时会用到装环境的时候要注意版本。RDKit 在不同版本之间对一些函数的行为有差异Open Babel 的 PDBQT 转换逻辑也和代码版本有关。如果照着课程跑报错先确认自己装的版本是不是和课程一致。不要一上来就追最新版本稳定能用更重要。2.2 最小数据样例先把一条流程跑通刚开始不要直接下载几十万分子的数据库。即使机器扛得住调试时也会很慢。我一般会先准备一个只有几十个分子的子集跑通之后再放开数量。用 RDKit 读取一个 SDF 文件并做简单预处理的通用示例from rdkit import Chem from rdkit.Chem import AllChem sdf_file demo.sdf mol Chem.MolFromMolFile(sdf_file, removeHsFalse) if mol is None: print(文件读取失败请检查路径和文件格式) else: mol Chem.AddHs(mol) AllChem.EmbedMolecule(mol, randomSeed42) print(原子数:, mol.GetNumAtoms())这是一段很基础的示例主要用来确认 RDKit 安装正常、文件路径正确、分子结构能够被解析。实际项目中还有加氢、分配电荷、生成 3D 坐标等更多步骤。如果你手里的分子集合是 SMILES 格式先转成 SDF 再逐文件处理会更符合对接工具的输入要求。转换时保留分子的立体化学信息很重要否则同一个分子可能会生成错误的空间构型。2.3 硬件条件怎么判断很多人问虚拟筛选用 CPU 还是 GPU。先说结论分子对接这种基于搜索和物理打分的方法主要吃 CPU很多对接软件根本不调用 GPU而机器学习重打分、深度学习结合模式预测、大模型辅助特征提取这些任务使用 GPU 会有明显加速。如果你的机器只是普通笔记本没有独立显卡也能把流程跑完只是要把对接的搜索参数调小一些。比如 exhaustiveness 先用 4 或 8盒子大小控制在合理范围内先验证流程对不对。等流程验证没问题再拿到更好的机器上跑大规模任务。磁盘空间也容易被忽略。化合物库文件看起来不大但转换成 3D 构象、拆分多个文件后占用的空间可能会翻好几倍。开始大规模跑之前先确认输出目录所在磁盘有足够剩余空间。3. 单条任务跑通从靶点结构到候选分子这个阶段的目标不是追求结果有多好而是把“输入文件 - 工具 - 输出结果”的完整链路跑通。我先说一条最经典的流程PDB 靶点结构 - 准备受体 PDBQT - 化合物库 - Vina 对接 - 读取打分结果。3.1 靶点结构准备从 PDB 数据库下载结构文件之后不能直接拿来做对接。原始 PDB 里通常包含水分子、配体、金属离子、多个构象甚至还有不完整的残基。对接工具并不需要所有东西而且有些成分会干扰打分。常见的预处理顺序是去掉水分子尤其是没有功能意义的水。如果有共晶配体需要决定保留还是去掉。如果要验证对接流程可以先把配体拿走看看能否把正确构象重新对回来。检查缺失残基和侧链必要时补全。根据 pH 环境分配质子化状态这一步常用 Open Babel 或 PDB2PQR。把受体转换为对接工具能识别的 PDBQT 格式。转换格式时最容易踩的坑是原子类型识别失败。比如某些非标准残基名、修饰氨基酸转换工具可能不知道该怎么处理。这时候要么改回标准残基名要么去掉这些修饰基团要么手动检查转换日志。PDB 转 PDBQT 的常见方式是通过 MGLTools 或 ADFRsuite 里的脚本完成。命令大致是prepare_receptor4.py -r receptor.pdb -o receptor.pdbqtOpen Babel 也可以做转换但有时会自动加氢或改变质子化状态需要多看一步输出。这个细节在课程里可能一句话就带过了实际跑的时候要自己留意。3.2 化合物库准备与格式统一化合物库的来源很多ZINC、Enamine REAL、ChEMBL或者自己生成。不要直接拿原始库去跑先做一轮清洗去重去掉重复 SMILES。去盐把带盐离子的分子拆开或中和。过滤不想要的结构比如分子量过大、logP 太高的分子。统一质子化状态保证所有分子在同一 pH 环境下比较。清洗后的分子需要生成 3D 构象。这一步要指定随机种子否则同一个分子每次生成的构象可能不同对接结果就无法重复。课程里如果没讲这个点自己跑时会发现两次结果对不上。生成 3D 构象后把每个分子保存成 SDF再统一转换成 PDBQT。也可以在对接命令中直接指定从 SDF 读取配体具体要看使用的对接工具支持哪种输入。3.3 分子对接的核心参数以 Vina 为例跑一次单体对接的基本命令大致是vina --receptor receptor.pdbqt --ligand ligand.pdbqt \ --center_x 20.0 --center_y 20.0 --center_z 20.0 \ --size_x 24 --size_y 24 --size_z 24 \ --exhaustiveness 16 --num_modes 9这里 box 的 center 和 size 是最需要谨慎设置的参数。box 不是越大越好。过大之后搜索空间膨胀耗时会明显增加而且可能把多个不同的结合位点混在一起导致打分没有区分度。size 应该能包含目标结合位点周围足够多的空间一般 20 到 30 埃左右起步是常见的用法具体数值要结合受体结构判断。exhaustiveness 控制搜索的充分程度。值越高搜索越充分但耗时也越长。对单个配体做精细验证时可以开到 32 甚至更高对大规模筛选的初步排序8 到 16 已经能提供合理参考。建议先跑小样本对比不同 exhaustiveness 下结果变化是否明显。3.4 输出结果怎么验证Vina 的输出 PDBQT 文件里包含多个构象每个构象有对应的 binding affinity。不要只看第一名的分数要检查多个构象是否集中在同一区域说明结合位点稳定。构象之间 RMSD 是否合理过大的差异说明搜索可能未收敛。排名靠前的分子结构是否正常有没有明显不合理的地方。配体是否落在你设定的 box 内如果飞出 box说明盒子设置或原子类型有问题。一个常用的验证方法是取共晶配体做 redocking。把配体从复合物里拿出来重新对接回去如果结果和原始构象的 RMSD 小于 2 埃说明受体准备和 box 设置基本合理。这个方法比空看打分分数可靠得多。4. 进阶方向机器学习重打分和批量任务管理跑通单条 Vina 流程之后你会遇到一个尴尬几百个分子的手工查验可以接受几十万个分子再看人工分析就不现实了。这时候就要引入机器学习和批量任务管理。4.1 传统打分函数为什么需要机器学习补充传统分子对接的打分函数速度很快但对结合自由能的估算很粗略。它往往低估了熵效应、水分子介导作用、蛋白柔性等因素。于是出现了“重打分”思路先用 Vina 这类快速工具生成候选构象再用更复杂的方法重新排序。机器学习重打分是其中一个方向。它的基本逻辑是把受体-配体复合物的特征输入模型模型输出一个预测分数再用这个分数替代或融合传统打分函数的分数。特征可以有很多来源RDKit 计算的分子描述符、对接打分、分子间接触面积、氢键数量、疏水相互作用等。如果做深度学习还可以用图神经网络表示分子结构或用 3D 卷积处理格点化表示。4.2 机器学习模型训练时的数据问题做机器学习重打分最危险的是数据泄漏。如果训练集和测试集来自同一个骨架的类似分子模型会“记住”相似结构而不是学到真正的相互作用模式。常见的缓解做法是按骨架或时间切分数据集。在课程代码里训练集和验证集可能只是一个简单的 random split这在教学里可以理解但到了真实项目中一定要修正。如果课程没有讲清楚这一点很容易导致你觉得模型效果很好换一个靶点就完全崩溃。另外活性标签的定义也很关键。有些公共数据集里同一个分子在不同实验中可能既有活性又有非活性记录。清洗数据时要保留统一标准比如使用明确的 IC50 阈值或取多次实验的中位数。4.3 从单条任务扩展到批量任务批量虚拟筛选不是一个 for 循环就完事的。需要考虑输入文件命名规则每个分子单独一个文件时输出文件要能对应回原始编号。失败重试单个分子可能因为 3D 构象生成失败、原子类型无法识别而中断代码要跳过错误并记录日志而不是整个任务退出。断点续跑已经完成的结果不要重复计算把“正在跑”和“已完成”分开记录。并发控制多进程或并行任务可以加速但并发太高容易把磁盘和内存打满。建议从小并发开始观察资源占用再逐步提高。我常用的做法是把任务分成小批次每个批次生成一个 list 文件程序读 list 处理结束后输出一份 summary 和一份 error log。课程里如果只是教了你“单文件对接”这部分要自己在实战中补上。4.4 大模型和 AI Agent 在虚拟筛选中的角色最近生信方向讨论比较多的还有大语言模型和 AI Agent。它们开始出现在辅助提取文献信息、辅助生成分子描述、辅助写代码和解释报错这些环节里。但要注意大模型目前很难直接替代物理和化学原理驱动的虚拟筛选流程。它更适合作为辅助工具。比如你遇到一个 PDB 文件处理报错把关键日志交给大模型帮忙分析通常能省不少时间但如果你指望它直接给你一个可靠的候选药物列表还不现实。课程里如果有 AI Agent 相关章节可以当作工具链延伸来学不要把它当成核心流程的核心替代品。5. 高频报错和排查顺序学习这类资料最容易被劝退的不是概念难而是环境或数据反复报错。下面按我自己的排查经验整理出高频问题。5.1 文件格式类问题这类问题最常见也最好修。典型现象是程序能启动但读文件失败或输出为空。优先检查PDB 文件里是否有缺失坐标部分残基只有 CA 原子。SDF 文件是否包含 3D 坐标还是只有 2D 连接表。SMILES 字符串是否包含非法字符或未配对括号。文件名和路径是否包含中文或空格。如果工具不直接在屏幕上报错但结果文件是空的大概率是输入文件被程序静默跳过。这时打开工具自带的任务日志看“skipped”或“failed”记录。5.2 环境依赖和安装问题RDKit 安装失败、Vina 提示缺少库文件、Open Babel 命令不存在这些都是新手常遇到的问题。一般来说优先用 conda 安装 RDKit避免用 pip 强行装依赖。确认 vina 是可执行文件命令行直接输入vina --help能弹出帮助信息。转换工具如果报找不到某个 Python 模块先看 conda 环境和当前终端是否一致。课程给出的命令通常有一套默认路径。如果你按自己的目录结构放文件路径写错是最直接的原因。先做pwd和ls确认当前所在位置。5.3 任务卡住或崩溃批量任务跑到一半不输出不一定是死锁。先看资源占用CPU 是否长时间满载。内存是否不足触发 swap。磁盘是否写满。输出的临时目录是否有权限写入。如果系统还在正常产生日志说明任务还在跑只是慢。可以先用小数据量做一次计时估算完整任务要多久。不要一卡住就盲目杀掉进程先判断是慢还是真死。5.4 结果异常对接分数全部偏高或者排名靠前的分子看起来都不合理这种情况往往是数据结构出了问题。比如受体和配体都带了错误电荷或者 box 没有覆盖目标位点或者配体构象生成失败。建议做一次 redocking 验证。如果共晶配体也回不到正确位置那么受体的 PDBQT 准备、box 设置、加氢策略至少有一项需要调整。这个方法在课程里可能没有专门演示但实际非常有效。下面这张表是我排查时常用的优先级现象优先排查方向启动即报错命令行参数、路径、可执行文件是否存在读文件失败文件格式、编码、3D 坐标、非法字符运行很久无输出并发数、CPU 负载、磁盘空间、日志进度输出为空输入被跳过、格式转换失败、过滤规则过严结果分数不合理受体准备、盒子位置、配体质子化、加氢状态结果不可复现随机种子、3D 构象生成参数、对接搜索参数6. 学习这套课程时的正确姿势和避坑经验6.1 视频、代码、数据怎么配合使用这类课程最常见的错误学习方式有两种一种是一直看视频不动手另一种是拿到代码直接全量跑然后看个结果。两种都会让你有“学会了”的错觉。我更推荐三遍法第一遍只看视频和文字说明手边准备好流程图理解每一步输入输出和为什么存在这一步。这一遍不要碰代码。第二遍跟着课程里的代码单步运行一边跑一边对比自己的理解和实际结果。遇到不懂的参数随时查官方文档不要只听课程里的一句话解释。第三遍换一个靶点或换一个化合物库从零开始自己搭流程。可以不完全照搬课程的数据集这个过程才会暴露你真实会还是不会。6.2 不要迷信版本号和标题市面上很多资料标题都写着“最新版”“进阶全套”。2026 版本和更早版本之间确实可能有工具链和模型差异但虚拟筛选主干流程很稳定。真正要关注的是代码是否还兼容当前环境数据集是否完整课程讲解能不能解释清楚为什么这么设参数。如果课程里的代码出现明显过时的库调用优先看官方文档更新。能自己解决版本兼容问题本身就是生信学习中很重要的能力。6.3 怎么验证自己学会了判断标准不是“看完了视频”而是能否回答这几个问题拿到一个新靶点 PDB知道第一步做什么最后一步输出什么。能解释对接盒子为什么设置在这个位置而不是随便选个坐标。能自己清洗一个化合物库并生成统一格式的输入文件。能自动跑完一千个分子的对接并在出现失败时定位原因。能说明机器学习重打分里的数据泄漏风险。如果这些问题都能回答说明你已经具备独立做虚拟筛选基本流程的能力。6.4 关于资源获取和知识积累的提醒付费课程、开源教程、公开数据库、文献这些都是学习渠道。有一点要提醒不要传播课程里的私有数据和 VIP 资源也不要用来路不明的共享账号。生信领域有大量公开数据集和免费教程可以使用ZINC、ChEMBL、PDB、RDKit 文档、Vina 文档足够支撑你完成第一次完整流程。如果课程里的数据无法合法复用可以换成公开数据做练习。把精力放在理解流程上而不是依赖某一套私有数据。真正把这个方向跑熟之后我发现最花时间的不是算法本身而是那些“看起来简单的基础步骤”PDB 清洗、SDF 转换、盒子坐标、输出命名、错误日志。课程里的视频和代码帮你缩短的是试错时间但你最终还是要自己动手跑上几十个分子才能形成手感。我个人的建议是先跑单条任务再跑小批量最后再碰大数据库和机器学习重打分。每一步都验证好再往前走比一口气跑完全部流程要踏实得多。这大概就是对这套课程最客观的评价它是一套把学习路径拆好的地图但路还是要你自己走。