在中药靶点筛选中「分子对接/反向对接/分子动力学模拟」分别有什么用？

引言

从TCMSP里筛出一堆活性成分，对着几十个化合物和几千个潜在靶点，不知道该从哪里下手。近年来，分子对接（Molecular Docking） 、反向对接（Reverse Docking） 和分子动力学模拟（Molecular Dynamics Simulation）已成为中药靶点筛选研究中不可或缺的三驾马车。

但很多人对这三者的关系仍有困惑：它们分别解决什么问题？先后顺序如何安排？各自的技术门槛和注意事项是什么？

这篇文章，我想结合自己从文献、实验方案数据库和同行交流中整理的心得，把这三个工具讲清楚。

01 先搞清楚三个概念

1. 分子对接：已知“药”和“靶”，问“能不能结合”

分子对接是三者中历史最久、应用最广的方法。

它的逻辑很简单：你手里有一个活性成分（配体）和一个候选靶蛋白（受体），通过计算模拟预测它们之间的结合模式和结合强度。

用一句话概括：已知药，已知靶，验证二者是否匹配。

2. 反向对接：已知“药”，问“它可能打谁”

反向对接的逻辑正好反过来。你只知道一个活性成分，不知道它的作用靶点。那就把这个化合物“扔”进一个包含成百上千个蛋白的数据库里，看它跟哪些蛋白有结合的可能。

用一句话概括：已知药，未知靶，寻找可能的靶点。

这就是为什么反向对接在中药研究中特别有价值 —— 中药成分复杂，很多化合物的靶点并不清楚，反向对接正好承担了“靶点发现”的功能。

3. 分子动力学模拟：问“结合以后稳不稳”

分子对接告诉你配体和蛋白在某个瞬间能不能结合、结合能是多少。但生物体系是动态的，蛋白会呼吸、配体会晃动、氢键会断裂又会重新形成。

分子动力学模拟做的就是这件事：把配体-蛋白复合物放到一个模拟的“水盒子”里，让它们在纳秒到微秒的时间尺度上自由运动，观察这个复合物是否稳定。

用一句话概括：对接验证“能不能结合”，动力学验证“结合了能不能稳住”。

02 分子对接：技术流程与实操要点

1. 输入准备

① 配体处理

活性成分的结构通常来自TCMSP、PubChem等数据库，下载格式多为sdf或mol2。这些格式不能直接用于AutoDock Vina等对接软件，需要转换为pdbqt格式。

转换工具有两个主流选择：

▶ OpenBabel：命令行工具，适合批量处理

▶ AutoDockTools（ADT）：图形界面，适合单分子精细处理

转换过程中需要做几件事：加氢、计算Gasteiger电荷、确定可旋转键。天然产物往往有较多的手性中心和可旋转键，这一步如果处理不当，后续对接结果会偏差很大。

② 蛋白（Receptor）处理

蛋白结构从PDB数据库下载。选择PDB结构时有几个原则：

▶ 优先选择分辨率高（通常<2.5 Å）的晶体结构

▶ 优先选择有共结晶配体的结构（说明这个蛋白的活性位点是“可药的”）

▶ 如果目标蛋白没有人类来源的结构，可以考虑同源建模

下载的pdb文件需要预处理：

1) 删除水分子（结晶水视情况保留，一般建议删除）

2) 删除原有的配体和小分子

3) 删除多余的离子

4) 加氢

5) 计算Gasteiger电荷

6) 保存为pdbqt格式

2. 对接软件怎么选

目前文献中出现频率最高的是AutoDock Vina，免费、速度快、准确性在同类型软件中表现优异。其他常用选项包括：

3. 结合能的判读

AutoDock Vina输出的核心指标是Binding Energy，单位kcal/mol。数值越负，说明结合越强。

根据文献和同行经验，大致的判断标准如下：

【提醒】结合能只是参考，不是金标准。不同软件、不同力场算出来的绝对值不能直接比较。更重要的是看相对排名：在同一批化合物中，谁的结合能最低，谁就最值得优先验证。

4. 可视化与作图

论文中通常需要展示两类图：

▶ 三维结合图（PyMOL）：展示配体在结合口袋中的空间位置

▶ 二维相互作用图（Discovery Studio Visualizer或LigPlot+）：展示氢键、π-π堆积、疏水作用、盐桥等具体相互作用

03 反向对接：靶点发现的核心手段

1. 什么情况下需要反向对接？

你有一个活性成分（或一组成分），但不知道它/它们的作用靶点。

这在中药研究中太常见了——从TCMSP筛出一个化合物，它的“已知靶点”可能只有几个，甚至没有。这时候就需要反向对接来“开路”。

2. 主流平台与使用策略

① SwissTargetPrediction

基于分子相似性原理——相似结构的化合物往往结合相似的靶点。输入化合物的SMILES号，输出可能的靶点列表及置信度分数。

② PharmMapper

基于药效团匹配——不看你长得像谁，看你“长得像什么功能团组合”。上传mol2文件，输出排名前300的蛋白。

③ 其他平台

▶ SEA Search Server（Similarity Ensemble Approach）：基于已知配体的相似性预测靶点

▶ TargetNet：基于机器学习，近年来使用增多

▶ SuperPred：德国开发，支持药物重定位

【重要的提醒】

反向对接平台的预测结果只是预测，不是结论。SwissTargetPrediction给你AKT1、EGFR、STAT3……这些只是“可能性”，不代表化合物真的能结合这些蛋白。

所以，反向对接用于发现候选靶点，分子对接用于验证候选靶点——两者必须配合使用。

04 分子动力学模拟：从“静态快照”到“动态电影”

1. 为什么要做分子动力学？

分子对接给的是一张静态图片，但蛋白质在生理条件下是动态的。一个对接得分很漂亮的复合物，在真正的溶液环境中可能几纳秒就散架了。

分子动力学模拟就是在计算机里“播放”这个复合物的动态行为——把配体-蛋白复合物放到一个充满水分子和离子的盒子里，设定生理温度（300K左右）和压力，然后让整个体系按照牛顿力学定律运动。

2. 模拟时间多长合适？

这是初学者最常问的问题。答案取决于你的研究目的：

▶ 50 ns：初步验证稳定性，很多网络药理学论文用这个尺度

▶ 100 ns：更充分的平衡和采样

▶ 300 ns或更长：观察构象变化、验证长时间稳定性

模拟时间不是越长越好。时间越长计算成本越高，而且力场本身的误差会随时间累积。关键是要看到RMSD（均方根偏差）曲线达到平台期。

3. 关键分析指标

① RMSD（Root-Mean-Square Deviation）

衡量整个复合物或蛋白骨架相对于初始结构的偏离程度。如果RMSD在模拟后期趋于稳定（通常在0.2-0.3 nm以内），说明复合物结构稳定。

② RMSF（Root-Mean-Square Fluctuation）

衡量蛋白中每个残基的柔性。结合口袋附近的残基如果波动小，说明配体“按住”了这些残基，结合更稳固。

③ 氢键分析

统计模拟过程中配体与蛋白之间氢键的数量和持续时间。氢键越多、持续越久，结合越稳定。

4. 结合自由能计算（MM/PBSA和MM/GBSA）

这是分子动力学模拟的“终极产物”。对接给的结合能是“能量快照”，而MM/PBSA或MM/GBSA是在MD轨迹上取上百帧做平均，算出来的平均结合自由能。

两者的区别在于溶剂模型的处理方式不同，但功能类似，都是给出一个比对接更可靠的结合强度指标。

05 一个完整的中药靶点筛选流程

06 常见问题与避坑指南

Q1：反向对接预测的靶点太多，怎么取舍？

这是最常见的困扰。我的建议是：

▶ 只保留置信度≥0.1的靶点（SwissTargetPrediction）或排名前100的靶点（PharmMapper）

▶ 与疾病靶点数据库取交集 —— 不在疾病相关列表里的靶点暂时搁置

▶ 在PPI网络中找度值（Degree）高的节点 —— 这些往往是网络中的“关键枢纽”

Q2：分子对接结合能很好，但MD模拟中复合物不稳定，怎么办？

这说明对接可能找到了一个“局部最优”但不一定是生理相关的构象。可以考虑：

▶ 检查对接时是否充分考虑了配体的柔性（可旋转键设置是否正确）

▶ 尝试不同的对接构象（Vina默认输出9个pose，选能量最低的，但也看看其他pose）

▶ 检查蛋白结构是否有问题（如缺失的loop区是否影响结合口袋）

Q3：MD模拟的计算资源要求太高，能不能跳过？

如果条件有限，可以暂时跳过MD，但需要在论文中明确说明研究的局限性。近年来，越来越多的期刊审稿人会要求提供MD验证，尤其是针对“结合能很好”的结论。

Q4：中药成分太多，全部做对接不现实怎么办？

网络药理学的优势就在这里 —— 先通过PPI和富集分析把候选靶点压缩到3-5个核心靶点，再对这些靶点做对接。不要试图“全覆盖”，要“精准打击”。

结语

把这三个工具的关系捋清楚了，中药靶点筛选的路线图也就清晰了：

▶ 反向对接帮你“找靶”—— 从化合物出发，在蛋白质宇宙中定位可能的靶点

▶ 分子对接帮你“验靶”—— 在候选靶点中筛选真正有结合能力的

▶ 分子动力学帮你“稳靶”—— 验证复合物在动态环境中的稳定性

三者各司其职，环环相扣。当然，计算模拟再漂亮，最终还是要回到实验台前。In silico给了我们方向，in vitro和in vivo才是终点。但有了这些计算工具的“精确制导”，我们至少不用再在茫茫化合物和靶点海洋里盲目摸索了。

⬇️⬇️⬇️

中药靶点及作用机制研究一站式解决方案

▶ 快速发文：项目周期仅需1个月，报告内容参照SCI格式，提供符合论文发表要求的图表以及中英文结果描述，从实验设计阶段开始最快可在4个月见刊。

▶ 保障阳性结果：采用基于高通量无偏见筛选的数据驱动实验策略，与传统的假设驱动的实验策略相比，无需预设特定的靶标分子，可以直接筛选出潜在的药物结合靶点，从而有效避免了出现阴性结果的风险。

▶ 结果图表丰富：高通量组学结果联合多个数据库，深入分析中药活性成分、作用靶点、功能富集通路、分子对接、蛋白质相互作用等多层面的结果，包含7大分析模块，25+项分析内容，交付4张核心组图，报告数据结果能达到中科院2区文章90%的工作量标准。

▶ 杂志接受度高：从自身课题现象出发，采集实验材料，采用以高通量筛选技术获得关键靶标及通路的实验性研究，相比于仅依靠数据库挖掘的方法，更易受到学术杂志的认可。

▶ 无科研诚信风险：质谱高通量筛选产生信息庞大又相互关联的数据结果，从原始数据到分析数据的整个过程，我们将以文件夹清晰完整地交付给客户，以便用于论文发表和数据上传，从而杜绝项目数据造假的可能。

参考文献

1. Zhang N, Tian XC, Liu F, et al. Reversal of sorafenib resistance in hepatocellular carcinoma by curcumol: insights from network pharmacology, molecular docking, and experimental validation. Frontiers in Pharmacology, 2025, 16: 1514997.

2. Genheden S, Ryde U. The MM/PBSA and MM/GBSA methods to estimate ligand-binding affinities. Expert Opin Drug Discov. 2015;10(5):449-461. doi:10.1517/17460441.2015.1032936

3. Eberhardt J, Santos-Martins D, Tillack AF, Forli S. AutoDock Vina 1.2.0: New docking methods, expanded force field, and Python bindings. J Chem Inf Model. 2021;61(8):3891-3898. doi:10.1021/acs.jcim.1c00203

4. Zhang P, Zhang D, Zhou W, Wang L, Wang B, Zhang T, Li S. Network pharmacology: towards the artificial intelligence-based precision traditional Chinese medicine. Brief Bioinform. 2023;24(6):bbad306. doi:10.1093/bib/bbad306

5. Wang X, Shen Y, Wang S, Li S, Zhang W, Liu X, Lai L, Pei J, Li H. PharmMapper 2017 update: a web server for potential drug target identification with a comprehensive target pharmacophore database. Nucleic Acids Res. 2017;45(W1):W356-W360. doi:10.1093/nar/gkx374

6. Daina A, Michielin O, Zoete V. SwissTargetPrediction: updated data and new features for efficient prediction of protein targets of small molecules. Nucleic Acids Res. 2019;47(W1):W357-W364. doi:10.1093/nar/gkz382