Vina:Scripps Research
经典分子对接程序,非深度学习,是对接领域的事实基线。
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 | Vina;全称:AutoDock Vina;别名:AutoDock Vina、Vina 1.2.x;有歧义、不自动链接:Vina、AutoDock |
| 家族 | 否(单一程序;AutoDock Suite 的其他组件不在本记录内) |
| 机构 | Scripps Research |
| 机构类型 / 国家 | 学术实验室 / 美国 |
| 模型类别 | 经典对接 / 打分函数 |
| 领域 | 结构/共折叠(次领域:小分子) |
| 首次发布 | (依据:原始论文在线日(期刊期号为 2010-01-30)) 站上原写 2010,那是期号年份 |
| 其他里程碑 | 最早公开证据 (原始论文在线);期刊上线 (原始论文在线);代码发布 †(未核实)(1.2.0 版的论文年份;仓库发布日未核实 / unverified) |
| 最近更新 | †(未核实),代码发布:v1.2.7 于 2025-02-26 发布,前一版 v1.2.6 为 2025-01-13;至 2026-10-15 的提交均为维护(版本说明未读,描述部分核实)。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(Apache-2.0 (per the repository));权重:开放;源码开放;本身没有深度学习权重,打分函数参数随源码一起发布 |
| 状态 | 仅维护:有标签版本,近期提交为维护 |
| 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
在给定口袋盒子内,用经验打分函数与迭代局部搜索找配体姿态,速度快、门槛低。在 AI 对比中它代表「物理打分加已知口袋」的下限基线,对照 DiffDock 的生成式对接与共折叠模型。
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, rerun by a third-party study | 第三方 | 第三方研究在筛选任务上运行了本程序与其衍生打分工具 | 出处 |
| 33 PoseX | 赛后数据复用 | 是 | PoseX subset, evaluated by the benchmark authors | 第三方 | 本轮新增的配对,由 PoseX 论文在其子集上评测 | 出处 |
| 05 PoseBusters | 仅被引用作比较 | 否 | PoseBusters V2 with known pocket, from a third-party comparison table | 第三方 | 开发方未自报,数字全部来自他人论文;口袋已知与盲预测不可直接比较 | 出处 |
其他评测(不在 44 项内)
- 传统方法基线角色(第三方评测,第三方):在深度学习对接与共折叠论文中作为下限基线反复出现,设置多为口袋已知
- 打分函数拟合口径(自报,自报):原论文明确打分函数在公开的精化复合物集上拟合,并说明用了超出线性回归的方式(作者口径)
- 套件维护(资源使用,自报):AutoDock Suite 由四个实验室联合开发,由本记录所属研究所的团队统筹维护
开发方称:开发方称以经验打分函数加迭代局部搜索在给定口袋内快速给出姿态,门槛低、易上手(原论文与 1.2.x 版论文口径)。
独立证据:第三方论文与 benchmark 作者在多个数据集上重跑过它,结论随任务与口袋设置变化(不给数值)。
训练数据
| 类别 | 值 | 说明 | 出处 |
|---|---|---|---|
| a 公开库 | 是 | 打分函数在 PDBbind refined set 上拟合,无深度学习式的大规模训练集 | 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:学术项目,由该研究所(加州 La Jolla)的对接工具团队维护并开源;AutoDock Suite 由四个实验室联合开发,该团队统筹。
- 融资:学术项目,未披露资助金额
- 产品与合作:1.2.0 版在 2021 年以方法论文形式发表,此后仍在发小版本;它是对接与共折叠论文里最常见的传统方法对照。
- 相关模型:DiffDock、NeuralPLexer3、AlphaFold 3
怎么看
- 它的数字是口袋已知设置,共折叠模型多为盲预测,条件不同。
- 传统打分在物理有效性上不吃亏,在虚拟筛选上则看任务。
- 适合当下限基线,不适合当主要竞品。
- 非深度学习,没有权重与训练规模可比。
局限与注意
- 开发方从不在站内 benchmark 上自报,全部关系来自第三方。
- 最近更新的版本说明未读,描述只做部分核实。
- 名称是常用词,自动链接须走同名守卫。
来源
- 原始对接论文(期刊),
- 1.2.0 版方法论文(期刊)
- AutoDock Vina GitHub 版本页(仓库)
- AutoDock Suite 官方页(官方网站)
- 第三方对照表(共折叠论文)(第三方论文)
更正记录
以下为本轮核对中改过的字段,原值按记录照录。
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。