DiffDock:MIT CSAIL
扩散式盲对接模型,现多作深度学习对接的基线。
结构/共折叠 · 学术实验室 · 美国 · 截至 2026-11-16
概况
| 字段 | 内容 |
|---|---|
| 名称 / 别名 | DiffDock;别名:DiffDock-L |
| 家族 | 否(记录覆盖 DiffDock 与同仓库后继 DiffDock-L,不另立家族成员) |
| 机构 | MIT CSAIL |
| 机构类型 / 国家 | 学术实验室 / 美国 |
| 模型类别 | 盲对接(扩散生成 + 置信度排序) |
| 领域 | 结构/共折叠(次领域:小分子) |
| 首次发布 | (依据:arXiv v1(会议版次年发表)) |
| 其他里程碑 | 最早公开证据 (arXiv v1);预印本 v1 (arXiv v1);代码发布 (GitHub v1.1(DiffDock-L));权重发布 (DiffDock-L 权重随 v1.1 发布) |
| 最近更新 | ,新版本:DiffDock-L 以更大增广数据与置信度自举训练,同年入会;此后 v1.1.1–v1.1.3(至 2024-09-04)为修复,最后提交 2025-05-02。此为最近一次有出处的事件,不代表此后没有更新 |
| 开放程度 | 代码:开放;权重:开放;代码与权重在 GitHub 公开,DiffDock-L 为仓库默认版本 |
| 状态 | 仅维护:未见新一代,后续活动为维护 |
| 报过的 benchmark | 2 项计入(赛后复用 2);另 1 条不计入(仅引用 1) |
| 湿实验验证 | 无 |
| 全站实体页 | 无(全站无对应页面) |
| 截至 | 2026-11-16 |
做什么
把对接当作生成问题:在配体的平移、旋转与扭转自由度上扩散采样,再由置信度模型给候选姿态排序;DiffDock-L 是数据更多的后继。在共折叠时代它的角色是深度学习对接基线,对照 Vina 的物理打分线与 AlphaFold3、NeuralPLexer3。
报过的 benchmark
按关系类型排列;每行标来源类型与出处。分数只在同一 benchmark、同一口径内有意义,见各 benchmark 页的当前排名。2 项计入(赛后复用 2);另 1 条不计入(仅引用 1)。
| Benchmark | 关系类型 | 计入 | 评测集 / 口径 | 来源类型 | 说明 | 出处 |
|---|---|---|---|---|---|---|
| 12 DUD-E / LIT-PCBA | 赛后数据复用 | 是 | LIT-PCBA virtual-screening study by a third party | 第三方 | 第三方研究在筛选任务上运行本模型系,姿态生成强不等于筛选强 | 出处 |
| 33 PoseX | 赛后数据复用 | 是 | PoseX, rerun by the benchmark authors | 第三方 | 本轮新增的配对,由 PoseX 论文自行评测 | 出处 |
| 05 PoseBusters | 仅被引用作比较 | 否 | PoseBusters V2 comparison table in a third-party paper | 第三方 | 数字来自他人论文的对照表,不是开发方自报,也不等于后继版本的官方成绩 | 出处 |
其他评测(不在 44 项内)
- 盲对接自报集(自报,自报):DiffDock-L 论文在两个盲对接测试集上自报 top-1 成绩,口径为固定采样次数,与物理有效性口径不同(不给数值)
- 综述转述(二手,第三方):它优于其他盲对接方法的说法部分经综述转述,不是独立复算(二手)
- 基线角色(第三方评测,第三方):多篇共折叠与对接论文把它当深度学习基线反复复跑,结论随任务变化
开发方称:开发方称 DiffDock-L 以更大增广数据与置信度自举训练,在盲对接上优于其他盲对接方法(自报,部分经综述转述)。
独立证据:第三方论文与 benchmark 作者都复跑过它,结论是作为基线:物理有效性与筛选能力均不占优(不给数值)。
训练数据
| 类别 | 值 | 说明 | 出处 |
|---|---|---|---|
| a 公开库 | 是 | PDBBind;DiffDock-L 另加 PDB 其他复合物与从真实结构侧链切出配体的合成增广 | 出处 |
| b 私有 / 授权 | 否 | — | — |
| c 自产 wet lab 训练数据 | 否 | — | — |
| d 仅用于验证的 wet lab | 否 | — | — |
湿实验验证
无。开发方未报告湿实验验证,或本站未收录可核的记录。
背景
- 机构:学术组,无公司:MIT CSAIL 与相关临床研究中心的课题组,作者当时多为在读博士生与该校教授。
- 融资:学术项目,未披露资助金额
- 产品与合作:后继 DiffDock-L 为仓库默认版本;与 Boltz-2 同属同一校内学术脉络,未见机构层面关系。
- 相关模型:Vina、Boltz-2、NeuralPLexer3、AlphaFold 3
怎么看
- 它的基准数字多来自他人论文,口径不统一,只能当基线读。
- 自报的盲对接口径与物理有效性口径不同,不要互换。
- 虚拟筛选上它没有优势,姿态生成强不等于筛选强。
- 口袋已知时经典对接反而更高,但两者设置不同。
局限与注意
- 开发方未在站内 benchmark 上自报,三条关系都来自第三方。
- PoseBusters 一条只是被引用作比较,不计入已建立关系。
- 最近一次实质更新在 2024-02,之后只有修复与维护。
来源
- DiffDock 论文(预印本),
- DiffDock-L 论文(预印本)
- DiffDock GitHub 版本页(仓库)
- 第三方对照表(共折叠论文)(第三方论文)
- 第三方虚拟筛选评测(第三方论文)
- benchmark 作者的评测论文(第三方论文)
更正记录
无。
本文为个人研究笔记,结论基于成文时可获得的公开信息;带〔估算〕〔推断〕或⚠️的数字未经独立核实。