为什么 docking score 不能直接当作结合亲和力

1. 相同单位，不代表相同物理量

标准结合自由能与平衡解离常数的关系可写为 \Delta G^\circ = RT\ln(K_d/C^\circ)。这里的 \Delta G^\circ 是结合前后完整热力学系综的自由能差，包含溶剂重排、蛋白和配体构象变化、平动/转动与构象熵，以及可能耦合的质子化变化。[6] Docking score 则是为快速搜索与排序设计的代理目标：例如 Vina 使用简化评分函数配合随机全局搜索和局部优化；官方文档虽把输出列为 predicted binding affinity（kcal/mol），同时也明确其基础是一个 simple scoring function。[1,2] 因而，数值标签和真实 \Delta G^\circ 同单位，并不意味着两者可逐值等同，更不意味着不同软件的分数可直接横向换算。

2. “找到姿势”与“预测亲和力”是两项任务

对接流程先采样构象，再用评分函数选择或重排构象；采样失败时，再好的评分也看不到正确答案，评分失败时，近天然构象也可能排不到第一。CASF-2016 因此把性能拆成 docking power（识别近天然姿势）、scoring power（预测绝对亲和力）、ranking power（同靶点系列排序）和 screening power（区分活性物与非活性物）。在 285 个高质量复合物、25 个评分函数的评估中，构象识别总体比亲和力预测、同系列排序和虚筛判别更有希望。[7] 早期跨靶点基准也没有找到对所有靶点都稳定领先的单一程序。[3] 所以“晶体配体回对接 RMSD 合格”只验证了某个构象重现环节，不能顺带证明绝对亲和力准确。

3. 输入状态会改变分数，也会改变问题本身

蛋白是否采用 apo、holo 或不同构象，口袋侧链朝向、缺失残基、金属/辅因子与结构水是否保留，都会改变可用相互作用。配体的质子化、互变异构、立体化学和电荷模型同样关键。系统研究显示，常用对接程序可能无法在多个 protomer 或 stereoisomer 中可靠选出正确状态。[4] 现代基准最佳实践也强调核对键级、立体化学、离子化/互变异构状态、口袋残基质子化、辅因子和结晶水。[8] 因此，两个分数若来自不同输入状态，即使软件与参数相同，也不一定是在回答同一个化学问题；在金属配位、共价结合、显著诱导契合或水桥主导体系中，这一风险更高。

4. 实验标签本身也有条件和噪声

Kd、Ki 或其他活性读数来自具体实验体系，不是脱离条件的化合物常数。公共数据库汇集不同实验室、构建体、底物浓度、温度与分析方法时，会引入异质性；对公共 Ki 数据的研究直接观察到这种实验不确定性。[5] 因而，用混杂来源的标签训练或评估评分函数，可能同时学习实验差异、配体大小等数据偏差。较可靠的靶点内校准应尽量使用同一实验类型、相近条件、明确单位与检测上下限的数据，并报告重复与误差，而不是把不等价的 Kd、Ki 和功能读数无条件并表。[5,8]

5. AI 评分提高速度或基准成绩，却没有取消适用域

机器学习评分函数能从大规模复合物数据中学习有用规律，但随机划分容易让相似配体、相似蛋白或相似口袋同时出现在训练与测试集。2022 年对 12 类模型的评估显示，从随机划分到序列划分、再到口袋 Pfam 划分，性能依次下降，提示跨新靶点泛化不足。[9] 2023 年的工作进一步指出，模型可能依赖数据集捷径而非真正的原子相互作用，并通过严格过滤训练/测试相似性来检验这一问题。[10] 2025 年一个同时考察 CASF、低配体偏差、真实同系系列和分布外集合的研究中，两个代表模型的 Pearson 相关系数分别从 0.83 降至 0.57、从 0.76 降至 0.55；作者强调单一基准会给出过于乐观的能力估计。[12] 这些结果不等于“AI 对接无用”，而是要求报告训练数据邻近性、严格拆分、外部靶点和不确定性。

6. 高分姿势仍需化学与实验复核

PoseBusters 对经典与深度学习对接方法的比较表明，只看配体 RMSD 仍会漏掉异常键长、内部碰撞、严重位阻或高应变等物理问题；对训练集低序列相似目标，部分深度学习方法的泛化尤其不稳。[11] 因此，候选排序前应检查配体内部几何、蛋白–配体碰撞、关键相互作用、未满足的极性基团、配体应变及口袋环境，并观察不同随机种子、受体构象或评分函数下结论是否稳健。最终需要用正交实验确认：生化/生物物理结合测定回答是否结合及亲和力，结构实验回答姿势，细胞实验回答功能效应；三者不能由一个 docking score 同时替代。

常见误区

• “−10 kcal/mol 比 −8 kcal/mol 强很多，所以能直接换算 Kd。” 只有经过针对该靶点、该协议和同质实验数据的外部校准，才可以讨论经验映射；原始 score 不是热力学测量。
• “不同软件都输出 kcal/mol，所以可以合并排名。” 各评分函数的项、权重、零点、构象搜索和预处理不同；合并前必须在同一验证集上重标定。
• “回对接成功就证明能筛新骨架。” 回对接利用已知 holo 口袋，验证范围窄；新骨架、apo 结构或新口袋属于更强的分布外检验。
• “AI 模型的 confidence/affinity head 已解决物理问题。” 模型输出仍受训练集相似性、标签噪声和几何有效性影响，应与物理检查及前瞻实验共同评估。[9–12]

结论

Docking score 最有价值的角色是“低成本、可审计的假设排序器”，而不是“无需校准的亲和力仪器”。可信流程把分数放在输入质控、适用域、对照、重复、姿势检查和实验验证之间：它可以帮助决定先做什么，却不能单独证明分子一定结合、以何种强度结合，更不能证明细胞或临床有效。