用途：DiffDock 是基于扩散模型的深度学习分子对接工具，用于预测小分子配体与蛋白靶点的 3D 结合构象，服务于基于结构的药物发现与化学生物学。它预测结合构象与置信度，不预测结合亲和力（ΔG、Kd），需配合 GNINA、MM/GBSA 等打分函数评估亲和力。
主要能力：支持 PDB 结构或氨基酸序列（经 ESMFold）作为蛋白输入；配体支持 SMILES、SDF、MOL2；可处理单复合物或批量虚拟筛选；输出多个排序构象与置信度分数。
使用方式：安装可用 Conda（git clone https://github.com/gcorso/DiffDock.git，conda env create --file environment.yml，conda activate diffdock）或 Docker（docker pull rbgcsail/diffdock）。运行前可用 python scripts/setup_check.py 检查环境。单复合物对接示例：python -m inference --config default_inference_args.yaml --protein_path protein.pdb --ligand "CC(=O)Oc1ccccc1C(=O)O" --out_dir results/single_docking/。批量对接需准备含 complex_name、protein_path、ligand_description、protein_sequence 列的 CSV，再以 --protein_ligand_csv 运行；大规模筛选可先用 datasets/esm_embedding_preparation.py 预计算蛋白嵌入。结果可用 python scripts/analyze_results.py 分析，置信度 >0 为高、-1.5 至 0 为中等、<-1.5 为低。可启动网页界面 python app/main.py（http://localhost:7860）。
适用场景：小分子（约 100-1000 Da）与单链或多链蛋白对接、虚拟筛选、先导化合物优化。
限制：不适用于蛋白-蛋白对接、大肽（>20 残基）、共价对接与亲和力预测；膜蛋白未专门训练需谨慎。建议使用 GPU，首次运行需预计算查找表并自动下载约 500MB 模型权重。具体参数与完整说明见其 references 文档。