一句话定义：分子对接（Molecular Docking）是预测一个小分子（配体，ligand）怎么“卡”进蛋白质表面的结合口袋（binding pocket），并给这个姿势打一个分。
打个比方：蛋白质上的口袋是锁孔，化合物库里的几百万个小分子就是几百万把钥匙。对接干的事，就是拿钥匙一把把往锁孔里塞——插得进去吗？插进去是正的还是歪的？插得牢不牢？最后按分数排序，挑出前几百名送去实验室做湿实验。
这个“塞钥匙”的动作，内部其实分成两步。
第一步：搜索。小分子上能转的单键很多，每个角度都要试，构象空间是天文数字。传统做法用遗传算法、蒙特卡洛在空间里随机游走、反复迭代，一个分子就要跑几秒到几分钟，几百万个分子只能靠算力硬堆。
第二步：打分。对每个候选姿势，用一个“打分函数”估计结合得牢不牢。传统打分函数是经验公式或简化力场，快，但相当粗糙。
AI 换掉的正是这两步：
- 搜索被“直接预测”替代。几何深度学习、扩散模型（diffusion model）从大量已知复合物结构里学会了“这个口袋配这个分子，姿势通常长什么样”，一次前向推理就吐出候选姿态，不必再暴力迭代。速度提升，姿势也更接近晶体结构。
- 打分被“学出来的函数”替代。用实验测定的结构数据训练模型，代替人工调参的经验公式，排序能力通常比传统打分器更接近真实亲和力。
但有一件事没被替掉：真实结合自由能。对接给出的分数是相对排序，不是能量数值。要拿到接近实验的结合能，还得靠自由能微扰（FEP）这类物理模拟，或者直接做实验。
| 概念 | 回答什么问题 | 算得多贵 | 输出 |
|---|---|---|---|
| 分子对接 | 这个分子怎么卡进这个口袋 | 中（AI 后变低） | 姿态 + 相对打分 |
| 分子动力学（MD） | 复合物在时间里怎么动 | 高 | 运动轨迹 |
| 自由能微扰（FEP） | 换个基团，结合能变多少 | 很高 | 接近实验的能差 |
| 生成式分子设计 | 该长成什么样才有效 | 中 | 新分子结构 |
在药物发现流程里，对接的位置是虚拟筛选（virtual screening）：先有一个实体或虚拟化合物库，对接就是那道“上机初筛”关卡——把几百万缩到几百，让昂贵的湿实验只花在最值得试的分子上。
对从业者的实际意义：计算化学岗的工作重心，正从“配好参数、排队跑几天的对接任务”，迁移到“准备训练数据、验证打分器在新靶点上靠不靠谱、把模型输出翻译给化学家听”。懂结构生物学、会写脚本、能和实验方对齐的人更吃香。对普通人：一款新药里的先导化合物大概率经过这类计算筛过一轮，它把试错成本从实验台前移到了机器上，但替代不了实验本身。具体工具的版本与能力边界，以官方文档为准。