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。
主要能力：支持 PDB 蛋白结构或氨基酸序列（经 ESMFold）；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。需注意：它预测结合构象与置信度，不预测结合亲和力（ΔG、Kd），亲和力评估需结合 GNINA、MM/GBSA 等打分函数。
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/。批量对接使用 CSV（含 complex_name、protein_path、ligand_description、protein_sequence 列），命令加 --protein_ligand_csv batch_input.csv --batch_size 10。大规模筛选可先用 datasets/esm_embedding_preparation.py 预计算蛋白嵌入，再以 --esm_embeddings_path 运行。结果可用 python scripts/analyze_results.py results/batch/ 分析，支持 --top、--threshold、--export、--best。交互界面：python app/main.py，访问 http://localhost:7860。
适用场景：小分子（约 100–1000 Da）药物样化合物、小肽（<20 残基）、单链或多链蛋白的对接与虚拟筛选、先导优化。
限制：不适用于蛋白-蛋白对接、大肽、共价对接、膜蛋白（未专门训练）及亲和力预测。置信度分数 >0 为高、-1.5 至 0 为中等、<-1.5 为低，但置信度不等于亲和力。建议使用 GPU（相对 CPU 有 10–100 倍加速），首次运行会预计算查找表并自动下载约 500MB 模型权重。参数如 samples_per_complex、inference_steps、温度参数可调，更多细节见 references/parameters_reference.md 与 references/confidence_and_limitations.md。