AutoDock Vina + AlphaFold3:三轮渐进式虚拟筛选技术实战解析

AutoDock Vina + AlphaFold3:三轮渐进式虚拟筛选技术实战解析

摘要

合肥科晶生物技术有限公司提供三轮渐进式化合物虚拟筛选服务,以 AutoDock Vina 为核心算法、AlphaFold3 构建蛋白结构,从高通量初筛到精细化对接逐级锁定候选分子。南京农业大学利用该技术路线从461个香豆素中筛选出大豆疫霉抗病化合物秦皮乙素,成果发表于 Science Advances。

科晶化合物虚拟筛选技术流程概览

引言

2025年1月,Science Advances发表了南京农业大学豆存东/尹志远团队最新成果:通过虚拟筛选技术,从461个简单香豆素化合物中成功锁定秦皮乙素(esculetin)——一种能竞争性阻断大豆疫霉菌趋化受体 PsIRK1 与染料木素结合的拮抗分子。盆栽实验中,秦皮乙素预处理使大豆幼苗存活率提升至60%,约为对照组的3倍,且不影响根瘤菌-大豆共生体系。

原文链接:https://doi.org/10.1126/sciadv.adt0925

这项研究从计算机分子对接出发,最终走向田间验证,充分展示了虚拟筛选在药物/农用化学品发现中的实战价值。而这正是合肥科晶生物技术有限公司化合物虚拟筛选服务的典型应用场景。

亮点速览

环节核心内容
筛选策略三轮渐进式:高通量 → 虚拟 → 精细化
蛋白结构AlphaFold3 AI 预测,无需实验解析
核心算法AutoDock Vina 分子对接
化合物处理2D→3D + 加氢 + Gasteiger 电荷 + 能量最小化 + MMFF94 力场
实战验证Science Advances 论文级成果产出

一、什么是虚拟筛选?

虚拟筛选(Virtual Screening)是计算机辅助药物设计的核心环节,通过分子对接算法预测化合物与靶标蛋白之间的结合亲和力,从大规模化合物库中快速筛选出潜在活性分子。相比传统高通量实验筛选,虚拟筛选具有成本低、效率高、覆盖面广的优势——一次计算即可筛选数百乃至数十万个化合物。

合肥科晶生物技术有限公司提供的化合物虚拟筛选服务,采用三轮渐进式筛选策略,以 AutoDock Vina 为核心算法,结合 AlphaFold3 蛋白结构预测,为科研人员提供从化合物库到候选分子的全流程服务。

二、三轮渐进式筛选流程

1 高通量筛选
快速初筛全量化合物库
提取 Max Affinity 前 5%

2 虚拟筛选
提高对接精度
提取前 5% 进入终轮

3 精细化筛选
最高精度对接
获得可靠 Max Affinity 值

AutoDock Vina 评分标准:

评分区间 (kcal/mol)结合等级
≤ -10极强结合(High affinity)
-7 ~ -10良好结合(Good affinity)
-5 ~ -7中等结合(Moderate affinity)
> -5弱结合(Weak affinity)
Max Affinity 值越低(越负),表示化合物与蛋白的结合预测越准确、越稳定。

三、实战案例:Science Advances 论文中的虚拟筛选

在南京农业大学发表于Science Advances的研究中,研究者需要寻找能阻断大豆疫霉菌(Phytophthora sojae)趋化性的化合物。该病原菌通过双鞭毛游动孢子感知大豆根系分泌物中的染料木素(genistein, GEN)来定位宿主并启动侵染,每年造成全球10~20亿美元的经济损失。

原文核心研究机制

筛选设计

  • 靶标蛋白:PsIRK1 胞外结构域(PsIRK1ECD)
  • 化合物库:461个简单香豆素(结构与 GEN 相似但分子量更低)
  • 对接算法:AutoDock Vina
  • 筛选流程:对接 → 亲和力排序 → 阈值过滤 → 商业可购分子验证

筛选结果
对接预测亲和力范围为-6.93 ~ -4.93 kcal/mol。以 -5.80 kcal/mol 为阈值,筛选出187个候选化合物,其中14个可商业购买并进行趋化实验验证。最终发现秦皮乙素(esculetin, ESC)能竞争性结合 PsIRK1,将 PsIRK1 与 GEN 的结合亲和力从 0.72 μM 降至 333.4 μM(降低约20倍),从而阻断趋化信号传导。

60%大豆幼苗存活率
3×对照组倍数提升
20×亲和力降低倍数

↑ 盆栽实验:100 μM 秦皮乙素预处理30分钟后接种游动孢子,大豆幼苗存活率提升至60%,约为 DMSO 对照组的3倍。同时不影响根瘤菌结瘤基因表达与固氮酶活性。

这一成果从虚拟筛选出发,经分子互作验证,最终完成田间实验,发表于Science Advances,充分证明了该技术路线的科研产出能力。

四、服务流程与技术细节

化合物库预处理

  1. 化合物从 2D 转为 3D 结构
  2. 加氢、计算 Gasteiger 电荷
  3. 能量最小化、加 MMFF94 力场
  4. OpenBabel 转换为 pdbqt 格式
  5. 去重与有效性过滤

靶标蛋白结构构建

使用AlphaFold3对诱饵蛋白进行三维结构预测,无需实验解析结构即可启动对接流程。

对接参数(精细化筛选阶段)

  • 网格间距:0.375 Å(高分辨率)
  • 搜索精度(Exhaustiveness):128
  • 对接模式:3个(按结合能量排序)

输出文件

  • output 文件:MODEL(对接构象)、VINA RESULT(对接得分)、INTER/INTRA(分子间/内能量)、ATOM(原子坐标)等完整对接信息
  • log 文件:Grid 参数、Exhaustiveness、各模式 affinity 值与 RMSD 偏差
  • 数据分析总表:汇总全部化合物的筛选结果

标准化结题报告

每项服务交付完整结题报告,涵盖实验目的、流程、步骤、结果解析与输出文件解读,确保结果可追溯、可复现。