本文收录于专栏gnina系列—— 专栏系统覆盖分子对接引擎选型、GPU 加速虚拟筛选与打分函数评估点击订阅可跟踪后续更新。你要给虚拟筛选挑一个 GPU 对接引擎搜到的加速比却从 4 倍横跨到上千倍根本没法直接比。这篇把 AutoDock-GPU、Vina-GPU 系列、Vina-CUDA、Uni-Dock、GNINA、DiffDock 的关键数字逐条核回论文与官方仓库修掉版本张冠李戴、基准对象偷换、设备端口径、预印本数字四类陷阱澄清官方 Vina 至今没有 GPU 版再补上精度证据GNINA 把定义口袋重对接 Top1 从 58% 提到 73%PoseX 跨对接基准上顶尖 AI 方法全面超过物理方法与吞吐实测最后给三条按算力分流的选型路径。读完你能直接判断手里这张卡该跑哪个引擎也知道哪些流传数字不能进决策。关键字分子对接、GPU加速、AutoDock-GPU、Uni-Dock、GNINA、Vina-GPU、DiffDock、虚拟筛选目录§0. 相关教程与核心文献 §1. 三条技术路线与候选清单 §2. 加速比四类口径陷阱与逐源修正 §3. 精度指标打分器贡献的增量 §4. 吞吐与集群规模 §5. 部署与许可约束 §6. 三条选型路径 §7. 风险自查与跟踪信号§0. 相关教程与核心文献资源链接与本文关系AutoDock-GPU 仓库—官方加速口径 56×/4× 与编译参数Uni-Dock 仓库—千倍加速声明与三档参数模式Vina-GPU 2.0/2.1 仓库—版本谱系与 Apache 2.0 许可Vina-CUDA 仓库—CUDA 重写版与多卡负载均衡gnina 仓库—版本时间线与 CUDA 12.8 说明QuickVina 2 仓库—20.49× 最大加速与 0.967 相关性Tang 等, Molecules 2022, 10.3390/molecules27093041—Vina-GPU 初代加速比原始出处Ding 等, JCIM 2023, 10.1021/acs.jcim.2c01504—Vina-GPU 2.0 的 65.6×Tang 等, TCBB 2024, 10.1109/TCBB.2024.3467127—Vina-GPU 2.1 的 4.97× 与 EF1% 342%Vina-CUDA, JCIM 2025, PubMed 40377068—CUDA 对 OpenCL 的头对头数字Yu 等, JCTC 2023, 10.1021/acs.jctc.2c01145—Uni-Dock 千倍加速与 3820 万分子实测McNutt 等, J Cheminform 2021, 10.1186/s13321-021-00522-2—GNINA 四组 Top1 数字PoseX, ICLR 2026, arXiv 2505.01700—718 自对接 1312 跨对接基准DiffDock, arXiv 2210.01776—38% Top1 与部署依赖UniDock-Pro, JCIM 2026, 10.1021/acs.jcim.5c02587—单卡百万级吞吐论文口径§1. 三条技术路线与候选清单选 GPU 对接引擎前先分清加速发生在哪一层三条路线的结果不能用同一指标排序路线代表加速的是什么结果可比性物理引擎移植AutoDock-GPU、Vina-GPU 系列、Vina-CUDA、Uni-Dock同一打分函数下的构象搜索与 CPU 版直接可比深度学习打分GNINA卷积神经网络 CNN 重打分评分标准本身收益在富集与姿态准确率非时间生成式对接DiffDock扩散模型直接生成姿态跳出采样-打分范式输出置信度得分不直接预测亲和力三款常被误列入 GPU 名单的软件要先排除Glide 的对接模块是纯 CPU 并行Schrödinger 套件的 GPU 能力只在 Desmond、FEP 等模块且限 LinuxGOLD 无原生 CUDA并行靠 Slurm 集群容器LeDock 默认单线程 CPU靠 GNU Parallel 堆核。还有一个流传很广的错误必须单独点名官方 AutoDock Vina 没有 GPU 版。Scripps 官方仓库最新版本是 v1.2.72025 年 2 月纯 CPU 实现网传Vina 2.0 已引入 GPU 加速是把第三方 Vina-GPU 2.0 的版本号误当成了官方版本号。选型时是否兼容 Vina 命令行仍然有意义但 GPU 路径全部来自第三方衍生版。§2. 加速比四类口径陷阱与逐源修正先给核对结论表每个数字都能回到 §0 的原始出处引擎/版本核对后的数字基准与口径AutoDock-GPU最高 56×GPU、4×四核 CPU官方 README对串行 AutoDock 4.2AutoDock-GPU论文口径最高 350×三级并行对单线程 CPUVina-GPU初代平均 21.66×、最大 50.80×RTX 3090对 20 线程原版 Vina总运行时Vina-GPU 2.0对 Vina 平均 65.6×RIPK1/RIPK3 虚筛场景Vina-GPU 2.1平均 4.97×、EF1% 平均 342%两者均以 Vina-GPU 2.0 为基准Vina-CUDA对 Vina 平均 3.03×/4.38×、最大 23.84×对 Vina-GPU 2.1 平均 3.01×/4.08×两个数据集分别为 AutoDock-GPU 集/CASF-2016QuickVina2-CUDA对 QuickVina2-GPU 2.1 平均 11.81×/13.81×、最大 32.72×/33.78×同上QuickVina 2CPU 算法优化最大 20.49×、平均仅 2.30×对 VinaPearson 0.967Uni-Dock论文 1000×、README 现行 2000×V100对单核 CPU四类把这张表搅乱的陷阱每一类都在中文资料里高频出现坑一版本张冠李戴。平均 21.66×、最大 50.80×出自 2022 年初代 Vina-GPU 论文却被大量转述贴到 Vina-GPU 2.1 头上连最大 191.68×也常被混引——那是同一篇论文里仅设备端运行时不含 host 开销的口径总运行时口径就是上一行的 50.80×。坑二基准对象偷换。Vina-GPU 2.1 的 4.97× 是对上一代 GPU 版的增量不是对 CPU 原版直接拿它和 Uni-Dock 的千倍对单核 CPU排序等于拿两个不同分母比大小。坑三preprint 与正式版分歧。最大 403×只存在于 2021 年预印本摘要基准还是四线程 Vina正式发表版里没有这个数字。预印本数字被正式版修订是常态引用时以正式版为准。坑四查无主源的整数倍。Uni-Dock 高达 1600×在论文与官方仓库都找不到出处论文口径是 1000×README 现行版本是 2000×——引用哪个都行别用 1600。真正口径干净的可比组只有 Vina-CUDA 论文那组同版本头对头CUDA 重写相对 OpenCL 移植确有实质增益Vina-CUDA 对 Vina-GPU 2.1 平均 3 倍上下QuickVina2-CUDA 对应 GPU 版平均 11.81–13.81 倍这是目前跨引擎比较里最可信的一段。§3. 精度指标打分器贡献的增量GPU 化本身不带来精度精度增量来自打分器改造。GNINA 的证据最完整论文摘要口径定义口袋重对接 Top1 从 Vina 的 58% 提到 73%跨对接 27% 到 37%全蛋白对接 31% 到 38%、跨对接 12% 到 16%。虚拟筛选侧GNINA 1.0 论文用的是 LogAUC 口径网上常见的中位 EF1%1% 富集因子15.5 对 7.1是第三方实测口径引用时要标注出处层级。被 GPU 加速的那些 Vina 衍生版精度起点本身不低CASF-2016 评测里 AutoDock Vina 的对接能力排名第一。Vina-GPU 2.1 则是提速反哺精度的例子——EF1% 平均 342% 来自更充分的构象搜索。生成式路线要分开看DiffDock 在 PDBBind 盲对接 Top1 为 38%此前传统方法 23%、深度学习 20%但它不输出结合亲和力ICLR 2026 的 PoseX 基准718 个自对接 1312 个跨对接样本、23 种方法给出了更严格的结论——顶尖 AI 方法在跨对接上全面超过物理方法SurfDock 77.0% 对 GNINA 54.1%只报自对接会掩盖真实差距。GNINA 1.3 版新增共价对接界面与蒸馏版 CNN 打分函数是打分路线的最新增量。§4. 吞吐与集群规模筛选库规模决定要不要 GPU、要哪一档量级可行方案核对后的吞吐口径十万以下CPU 方案即可LeDock 百线程每天 30–50 万分子百万至千万单卡或小型集群Uni-Dock 单分子 vina/vinardo 打分 0.1 秒V100千万至亿级多卡集群Uni-Dock 实测 3820 万分子对接 KRAS G12D不到 12 小时用 100 块 V100亿级以上检索预筛 对接后置检索式方案已不属于对接作超大规模预筛Uni-Dock 论文的 head-to-head 显示它比 AutoDock-GPU 和 Vina-GPU 快 10 倍以上且精度可比。单卡侧的 UniDock-ProJCIM 2026基于 Uni-Dock 架构做配体间并行论文口径是单 GPU 每天百万级分子公众号流传的单张 RTX 4090 每天 640 万属厂商宣传口径选型以论文与自测为准。分层筛选用 Fast/Balanced/Detail 三档参数组合接力初筛、复筛、精筛是这套引擎的标准用法。§5. 部署与许可约束部署侧最容易踩的是 CUDA 版本方向相反gnina 自 v1.3.22025 年 7 月起为最新显卡提供 CUDA 12.8 构建当前最新 v1.3.32026 年 6 月而 AutoDock-GPU 的旧教程普遍绑定旧版 CUDA——同一台机器混部两类引擎要用容器隔离。AutoDock-GPU 的 OpenCLCUDA 双路径是非 NVIDIA 算力下容错最明显的对接引擎Uni-Dock 原生面向 Linux CUDAWindows 场景目前靠第三方跨平台发行补位。许可证决定商业化空间Vina-GPU 全系 Apache 2.0Uni-Dock 在 v1.x 时代是 LGPL2025 年 3 月起统一为 Apache 2.0管线里若引入 openbabelGPL-2.0做前后处理对外提供闭源服务前必须过一遍合规。DiffDock 的最低门槛入口是 NVIDIA NIM 容器nvcr.io/nim/mit/diffdock:1.2.0映射 8000 端口即可接受推理请求。§6. 三条选型路径**路径一Vina 生态零改造。**已有成熟 Vina 脚本、只想压缩墙钟时间已知结合位点用 QuickVina2-GPU 2.1其 CUDA 版还有 10 倍以上空间位点不确定用 Vina-GPU 2.1重打分与排序环节叠加 GNINA。验收方式是同批分子 CPU/GPU 结果一致性比对加 RMSD 小于 2 埃的顶姿态占比。**路径二CUDA 集群做大规模筛选。**有 V100/A100 级算力与调度环境直接采用 Uni-Dock 的三档分层结构Fast 初筛全库、Balanced 复筛前 10%、Detail 精筛再前 10%多卡开批量并行。不想自建可走 Hermite 平台的 SaaS 模式。**路径三AI 与物理互验。**对结合模式可靠性要求高的场景DiffDock 出姿态、物理引擎出亲和力双管线交叉验证注意 GPCR 靶标基准里 Uni-Dock 曾大幅优于 DiffDock——AI 路线并非处处占优PoseX 这类跨对接基准才是裁判。§7. 风险自查与跟踪信号任何加速比数字进决策前过三步对照对象是否同版本同核数时间含不含前处理与后处理任务是重对接、跨对接还是富集筛选三问齐了才可比。值得跟踪的三个信号官方 Vina 若推出 GPU 路径第三方衍生版的兼容价值要重估gnina 与 Uni-Dock2 的版本节奏后者 2025 年 3 月已换 Apache 2.0 并独立建仓PoseX 排行榜的新一轮结果——跟踪基准比跟踪单家软件的加速倍数更能提前发现选型结论失效。一句话收束以 Vina 命令行兼容为前提做低成本提速用 Uni-Dock 系承接千万级以上集群吞吐GNINA 做打分层增量、DiffDock 做无口袋场景对照Glide、GOLD、LeDock 不在 GPU 名单里而所有加速倍数先核对基准对象再进决策。系列导航专栏全集gnina系列更多专栏我的专栏蛋白 / 抗体 / 多肽 / 核酸分子模拟 / 动力学 / 对接药物 / 设计 / 案例AI / Agent / 大模型开源蛋白结构预测分子模拟基础小分子药物设计案例AI Agent系列开源蛋白生成方法实践分子动力学模拟-Amber蛋白药物设计案例化学大模型开源多肽设计模型分子动力学模拟-Gromacs多肽药物设计案例《AI Agent原理与实战》开源多肽性质预测分子动力学模拟-OpenMM开源小分子生成设计CADD中的机器学习模型DNA/RNA药物设计結合自由能高效计算配置《MCP 入门实战》siRNA药物设计模型UCSF DOCK系列我胡师兄说药《AI入门实战2026》ASO药物设计模型rDock系列 LeDock系列 gnina系列《经典机器学习实战》
复杂度证明与完全二叉树下沉分析)
