28 KiB
28 KiB
目录结构
project_root/
├── input/
│ ├── receptors/
│ │ ├── TrpE_entry_1.pdb
│ │ └── TrpE_entry_1.pdbqt
│ ├── ligands/
│ │ ├── sdf/
│ │ │ ├── ligand_001.sdf
│ │ │ ├── ligand_002.sdf
│ │ │ └── ...
│ │ └── pdbqt/
│ │ ├── ligand_001.pdbqt
│ │ ├── ligand_002.pdbqt
│ │ └── ...
│ └── configs/
│ ├── TrpE_entry_1.box.txt
│ └── TrpE_entry_1.box.pdb
├── results/
│ ├── poses/
│ │ ├── ligand_001_out.pdbqt
│ │ ├── ligand_002_out.pdbqt
│ │ └── ...
│ └── scores/
│ ├── docking_scores.csv
│ └── summary_report.txt
└── scripts/
├── batch_prepare_ligands.sh
├── batch_docking.sh
└── analyze_results.py
受体准备 pdbqt 文件
使用 alphafold 预测 pdb 文件 cif 文件。
修复使用 moderller 同源建模，或者 pdbfixer，MOE，maestro 等
这里使用 maestro 的 Protein reparation Workflow 模块
然后导出 pdb 文件
使用 meeko 准备受体文件 pdbqt 文件，详细可以参考
micromamba run -n vina mk_prepare_receptor.py -i receptor/FgBar1_cut_proteinprep.pdb --write_pdbqt receptor/FgBar1_cut_proteinprep.pdbqt
选项组合用法
举例1：用默认输出名生成 pdbqt 和 vina box 配置
mk_prepare_receptor.py -i 1abc.pdb -o 1abc_clean --write_pdbqt --write_vina_box
得到 1abc_clean_rigid.pdbqt, 1abc_clean.vina.txt
举例2：为指定残基设置模板/柔性，并生成 box 配置
mk_prepare_receptor.py -i system.pdb \
--output_basename system_prep \
-f "A:42,B:23" \
-n "A:5,7=CYX,B:17=HID" \
--write_pdbqt --write_vina_box
举例3：自动包络某配体生成 box 配置
mk_prepare_receptor.py -i prot.pdb \
--box_enveloping ligand.pdb \
--padding 3.0 \
--output_basename dock_ready \
--write_pdbqt --write_vina_box
受体准备介绍
mk_prepare_receptor.py -i xxx.pdb -o my_receptor -p -j -v
mk_prepare_receptor.py -i FgBar1_cut_proteinprep.pdb -o FgBar1_cut_proteinprep -p
这样会生成：
my_receptor.pdbqt（对接用的受体文件）
my_receptor.json（结构元数据，编程用得上）
my_receptor.vina_box.txt（对接区域参数，给 vina 用）
| 选项 | 作用 | 输出文件例子 |
|---|---|---|
-p |
输出PDBQT文件（受体） | xxx.pdbqt |
-j |
输出JSON文件（元数据） | xxx.json |
-v |
输出vina box参数 | xxx.vina_box.txt |
-g |
输出GPF文件（老版AutoDock用） | xxx.gpf |
小分子 3D 构象准备
需要给小分子一个初始化的 3d 构象存放到ligand/sdf
python sdf2to3d.py --src_dir ./2d_sdf_dir --out_dir ./3d_sdf_dir --n_jobs 8
小分子格式转化
使用 meeko 将 ligand/sdf 转为 ligand/pdbqt
micromamba run -n vina ./scripts/batch_prepare_ligands.sh ligands/sdf ligands/pdbqt/ batch_prepare_ligands.log 128
小分子批量提交对接
分割小分子文件将 ligand 目录里面的 pdbqt 文件夹拆分 n 个子文件夹(pdbqt1,pdbqt2,pdbqt3...pdbqtn)
micromamba run -n vina python vina_split_and_submit.py <split_number_n>
执行完成后会自动使用 dsub 命令将对接任务提交给华为多瑙调度系统
需要注意有时候提交执行速度过快可能有批次遗漏，可以在合并时候检查
对接结果合并
在对接完成之后会在 result 文件夹里面创建 n 个对接结果文件夹（poses1，poses2，poses3...posesn）
每个文件夹中都有对应的*_out.pdbqt文件与*_converted.sdf文件，调用
micromamba run -n vina python vina_merge_and_check.py --n_splits <split_number_n> --out_dir ./result --output_prefix poses --poses_dir ./result/poses_all
会将所有的n 个对接结果文件夹中*_converted.sdf文件存放到 ./result/poses_all 目录，同时会检测是否有提交时候过快导致遗漏某个批次没有对接，需要注意查看。
分析对接结果
在*_converted.sdf文件中存在20个对接构象，取决于scripts/batch_docking.sh 中 NUM_MODES 设置多少数目，默认设置为 20。
其中每个 sdf 构象存在下面的<meeko>字段 用于获取对接打分等属性用于后续筛选分子。
> <meeko> (20)
{"is_sidechain": [false], "free_energy": -6.38, "intermolecular_energy": -15.695, "internal_energy": -2.912}
batch 模式对接
vina=1.2.7可以使用batch 模式进行批量对接。
mkdir -p results/poses
vina --receptor input/receptors/TrpE_entry_1.pdbqt \
--batch input/ligands/test \
--config ./configs/TrpE_entry_1.box.txt \
--dir results/poses \
--exhaustiveness=32
# 使用脚本对接
./scripts/batch_docking.sh ./receptors/TrpE_entry_1.pdbqt ./config/TrpE_entry_1.box.txt ligands/test output test.log /share/home/lyzeng24/rdkit_script/vina/vina
环境安装
conda install -c conda-forge vina meeko rdkit joblib rich ipython parallel openpyxl pandas mordred -y
准备小分子pdbqt
# 单个配体准备
mk_prepare_ligand.py -i molecule.sdf -o molecule.pdbqt
# 批量准备
micromamba run -n vina ./scripts/batch_prepare_ligands.sh ligands/sdf ligands/pdbqt/ batch_prepare_ligands.log 128
#监控文件
watch -n 1 "ls -l pdbqt/*.pdbqt 2>/dev/null | wc -l"
准备受体pdbqt
# 受体准备（带柔性侧链）
mk_prepare_receptor.py -i nucleic_acid.cif -o my_receptor -j -p -f A:42
batch对接模式
./scripts/batch_docking.sh input/receptors/TrpE_entry_1.pdbqt \
input/configs/TrpE_entry_1.box.txt \
input/ligands/pdbqt \
results/poses \
results/batch_docking.log
监控对接结果
watch -n 1 'for i in {1..12}; do printf "poses$i: "; ls results/poses$i/*.pdbqt 2>/dev/null | wc -l; done'
将对接结果还原为sdf文件
mk_export.py 命令行工具的各个参数选项。
cd output
mk_export.py ./*_out.pdbqt --suffix _converted
分析vina对接结果
# 结果导出
mk_export.py vina_results.pdbqt -j my_receptor.json -s lig_docked.sdf -p rec_docked.pdb
djob 运行时间耗时长的批次任务
24562323 vina_job15 RUNNING lyzeng24 default default 2025/07/31 23:16:30 - agent-ARM-17
24562322 vina_job14 RUNNING lyzeng24 default default 2025/07/31 23:16:30 - agent-ARM-17
24562321 vina_job13 RUNNING lyzeng24 default default 2025/07/31 23:16:30 - agent-ARM-17
24562320 vina_job12 RUNNING lyzeng24 default default 2025/07/31 23:16:29 - agent-ARM-21
24562319 vina_job11 RUNNING lyzeng24 default default 2025/07/31 23:16:29 - agent-ARM-21
24562318 vina_job10 RUNNING lyzeng24 default default 2025/07/31 23:16:29 - agent-ARM-21
24562317 vina_job9 RUNNING lyzeng24 default default 2025/07/31 23:16:28 - agent-ARM-21
24562316 vina_job8 RUNNING lyzeng24 default default 2025/07/31 23:16:28 - agent-ARM-16
24562315 vina_job7 RUNNING lyzeng24 default default 2025/07/31 23:16:28 - agent-ARM-16
24562314 vina_job6 RUNNING lyzeng24 default default 2025/07/31 23:16:27 - agent-ARM-16
24562313 vina_job5 RUNNING lyzeng24 default default 2025/07/31 23:16:27 - agent-ARM-19
24562312 vina_job4 RUNNING lyzeng24 default default 2025/07/31 23:16:27 - agent-ARM-19
24562311 vina_job3 RUNNING lyzeng24 default default 2025/07/31 23:16:27 - agent-ARM-19
plant_metabolit 数据集 准备
阮耀师兄之前用构建的植物代谢网络，里面包含的代谢物
执行命令：
cd /Users/lingyuzeng/Downloads/211.69.141.180/202508021824/vina/ligand/plant_meta
chmod +x run_convert_smiles.sh
./run_convert_smiles.sh
执行结果：
Conversion Summary:
Total SMILES processed: 8086
Successfully converted: 6238
Failed conversions: 1848
Skipped molecules (empty abbreviation): 0
Output directory: sdf
Success rate: 77.1%
Script execution completed.
autodock vina 参考分子对接
trpe:(PDB ID: 5cwa)
./vina --receptor ./refence/trpe/TrpE_entry_1.pdbqt --ligand ./refence/trpe/align_5cwa_0GA_addH.pdbqt --config ./refence/trpe/TrpE_entry_1.box.txt --out ./refence/trpe/align_5cwa_0GA_addH_out.pdbqt --exhaustiveness="32" --num_modes="20" --energy_range="5.0"
result:
AutoDock Vina v1.2.7
#################################################################
# If you used AutoDock Vina in your work, please cite: #
# #
# J. Eberhardt, D. Santos-Martins, A. F. Tillack, and S. Forli #
# AutoDock Vina 1.2.0: New Docking Methods, Expanded Force #
# Field, and Python Bindings, J. Chem. Inf. Model. (2021) #
# DOI 10.1021/acs.jcim.1c00203 #
# #
# O. Trott, A. J. Olson, #
# AutoDock Vina: improving the speed and accuracy of docking #
# with a new scoring function, efficient optimization and #
# multithreading, J. Comp. Chem. (2010) #
# DOI 10.1002/jcc.21334 #
# #
# Please see https://github.com/ccsb-scripps/AutoDock-Vina for #
# more information. #
#################################################################
Scoring function : vina
Rigid receptor: ./refence/trpe/TrpE_entry_1.pdbqt
Ligand: ./refence/trpe/align_5cwa_0GA_addH.pdbqt
Grid center: X 7.402 Y -4.783 Z -11.818
Grid size : X 30 Y 30 Z 30
Grid space : 0.375
Exhaustiveness: 32
CPU: 0
Verbosity: 1
Computing Vina grid ... done.
WARNING: At low exhaustiveness, it may be impossible to utilize all CPUs.
Performing docking (random seed: 650309048) ...
0% 10 20 30 40 50 60 70 80 90 100%
|----|----|----|----|----|----|----|----|----|----|
***************************************************
mode | affinity | dist from best mode
| (kcal/mol) | rmsd l.b.| rmsd u.b.
-----+------------+----------+----------
1 -6.531 0 0
2 -6.352 3.988 6.453
3 -6.3 1.447 5.602
4 -6.291 1.94 5.284
5 -6.283 1.044 2.037
6 -6.159 3.798 5.275
7 -6.124 1.43 5.553
8 -5.988 3.499 5.489
9 -5.925 3.311 4.252
10 -5.912 3.647 4.894
11 -5.889 7.256 10.49
12 -5.821 2.351 5.29
13 -5.763 3.731 6.18
14 -5.732 3.557 6.002
15 -5.729 7.213 9.251
16 -5.693 4.179 5.642
17 -5.684 3.058 4.111
18 -5.679 4.117 5.518
19 -5.671 4.656 6.098
20 -5.663 4.112 5.705
fgbar:（PDB ID： 8izd）
./vina --receptor ./refence/fgbar/FgBar1_cut_proteinprep.pdbqt --ligand ./refence/fgbar/align_8izd_F_9NY_addH.pdbqt --config ./refence/fgbar/FgBar1_entry_1.box.txt --out ./refence/fgbar/align_8izd_F_9NY_addH_out.pdbqt --exhaustiveness="32" --num_modes="20" --energy_range="5.0"
reusult:
AutoDock Vina v1.2.7
#################################################################
# If you used AutoDock Vina in your work, please cite: #
# #
# J. Eberhardt, D. Santos-Martins, A. F. Tillack, and S. Forli #
# AutoDock Vina 1.2.0: New Docking Methods, Expanded Force #
# Field, and Python Bindings, J. Chem. Inf. Model. (2021) #
# DOI 10.1021/acs.jcim.1c00203 #
# #
# O. Trott, A. J. Olson, #
# AutoDock Vina: improving the speed and accuracy of docking #
# with a new scoring function, efficient optimization and #
# multithreading, J. Comp. Chem. (2010) #
# DOI 10.1002/jcc.21334 #
# #
# Please see https://github.com/ccsb-scripps/AutoDock-Vina for #
# more information. #
#################################################################
Scoring function : vina
Rigid receptor: ./refence/fgbar/FgBar1_cut_proteinprep.pdbqt
Ligand: ./refence/fgbar/align_8izd_F_9NY_addH.pdbqt
Grid center: X -12.7 Y -9.1 Z -0.3
Grid size : X 49.1 Y 37.6 Z 35.2
Grid space : 0.375
Exhaustiveness: 32
CPU: 0
Verbosity: 1
WARNING: Search space volume is greater than 27000 Angstrom^3 (See FAQ)
Computing Vina grid ... done.
WARNING: At low exhaustiveness, it may be impossible to utilize all CPUs.
Performing docking (random seed: -399012800) ...
0% 10 20 30 40 50 60 70 80 90 100%
|----|----|----|----|----|----|----|----|----|----|
***************************************************
mode | affinity | dist from best mode
| (kcal/mol) | rmsd l.b.| rmsd u.b.
-----+------------+----------+----------
1 -5.268 0 0
2 -5.106 3.453 7.96
3 -5.003 3.114 6.709
4 -4.986 6.86 13.92
5 -4.947 5.434 13
6 -4.875 4.933 10.47
7 -4.867 6.888 13.75
8 -4.862 4.244 9.114
9 -4.835 3.776 6.806
10 -4.826 3.682 7.143
11 -4.824 5.4 10.17
12 -4.81 5.364 7.809
13 -4.808 4.364 11.15
14 -4.805 3.211 5.684
15 -4.783 3.585 8.995
16 -4.773 6.47 13.64
17 -4.773 3.465 6.652
18 -4.731 4.73 9.619
19 -4.726 4.867 10.88
20 -4.716 4.834 8.903
对接结果并不理想，可能是分子中灵活的扭转角多，柔性较大。AutoDock Vina 更偏向刚性对接。
分析策略
trpe（COCUNT）
AutoDock Vina 筛选
过滤结果：
- 针对 trpe 口袋
因为 trpe 口袋和参考分子较小，考虑使用小分子先过滤(MW < 800)。
针对 AutoDock Vina 的 score score 参考 align_5cwa_0GA_addH 结果 < -6.5 分子保留。
剩下根据 QED 排名选择前 100 个分子作为最后实验分子。
- 针对 fgbar 口袋筛选
fgbar 口袋的参考分子较大，MW 不进行筛选。 针对 QED 进行过滤，QED > 0.5 , 参考分子align_8izd_F_9NY_addH rank1 的Vina 分数 < -5.2过滤，之后选择 rank 前 100 的分子。
AutoDock vina：QED 针对小空间（分子量小的）trpe，QED 过滤。
过滤结果
使用 head 命令查看了两个 CSV 文件的数据结构
验证了 vina_scores 列的数据完整性
trpe 数据集发现 1919 个文件的构象数少于 20 个
fgbar 数据集发现 404 个文件的构象数少于 20 个
所有分子的最小构象数为 1
按照 README.md 的要求实现了数据过滤：
TRPE 过滤条件：MW < 800 且 Vina < -6.5
FGBAR 过滤条件：QED > 0.5 且 Vina < -5.2
生成了过滤结果文件：
/result/filtered_results/qed_values_fgbar_combined_filtered.csv (1878.1KB)
/result/filtered_results/qed_values_fgbar_top100.csv (27.6KB)
/result/filtered_results/qed_values_trpe_combined_filtered.csv (6090.1KB)
/result/filtered_results/qed_values_trpe_top100.csv (27.5KB)
输出了统计信息：
TRPE 数据统计：
原始数据总数: 41166
仅QED过滤后数据总数: 7229
仅Vina得分过滤后数据总数: 29728
同时满足QED和Vina得分条件的数据总数: 18787
FGBAR 数据统计：
原始数据总数: 41166
仅QED过滤后数据总数: 7228
仅Vina得分过滤后数据总数: 36111
同时满足QED和Vina得分条件的数据总数: 6568
## 聚类探索分析
### trpe 聚类探索分析
radius=3 是为了让聚类更敏感于分子结构差异，尤其是在功能团位置上的差异。
n-bits=1024 是因为这个值足够区分几万甚至几十万分子，同时计算代价可接受。
```shell
(vina) lingyuzeng@Mac-mini vina % python scripts/cluster_granularity_scan.py \
--csv result/filtered_results/qed_values_trpe_combined_filtered.csv \
--smiles-col smiles \
--radius 3 \
--n-bits 1024
计算 Tanimoto 相似度矩阵...
Method Params #Clusters AvgSize AvgIntraSim
Butina {'cutoff': 0.4} 8960 2.10 0.706
Butina {'cutoff': 0.5} 6720 2.80 0.625
Butina {'cutoff': 0.6} 4648 4.04 0.548
Butina {'cutoff': 0.7} 2783 6.75 0.463
Butina {'cutoff': 0.8} 958 19.61 0.333
Hierarchical {'threshold': 0.3} 12235 1.54 0.814
Hierarchical {'threshold': 0.4} 9603 1.96 0.739
Hierarchical {'threshold': 0.5} 7300 2.57 0.664
DBSCAN {'eps': 0.2} 2050 3.18 0.106
DBSCAN {'eps': 0.3} 2275 4.61 0.113
DBSCAN {'eps': 0.4} 2014 6.65 0.113
KMeans {'k': 10} 10 1878.70 0.204
KMeans {'k': 20} 20 939.35 0.200
KMeans {'k': 50} 50 375.74 0.233
| 方法 | 参数候选 | 簇数 | AvgSize | AvgIntraSim | 解释 |
|---|---|---|---|---|---|
| Butina | cutoff=0.6 | 4648 | 4.04 | 0.548 | 簇数适中，簇内平均相似度≈0.55，代表簇内有一定结构多样性但不是太松散 |
| Butina | cutoff=0.7 | 2783 | 6.75 | 0.463 | 簇更少，但簇内相似度低，可能太松散 |
| Hierarchical | threshold=0.5 | 7300 | 2.57 | 0.664 | 簇更细，每簇2–3个分子，相似度高，代表性好 |
| Hierarchical | threshold=0.6 | （没测，但会更松散） | - | - | 不推荐，可能太松散 |
推荐参数：
Butina → --cutoff 0.6
Hierarchical → --cutoff 0.5（脚本里 Hierarchical cutoff 是距离阈值 t，这里 threshold=0.5 就直接传 0.5）
fgbar 聚类探索分析
(vina) [lyzeng24@cli-ARM-01 vina]$ python scripts/cluster_granularity_scan.py --csv result/filtered_results/qed_values_fgbar_combined_filtered.csv \
> --smiles-col smiles \
> --radius 3 \
> --n-bits 1024
计算 Tanimoto 相似度矩阵...
Method Params #Clusters AvgSize AvgIntraSim
Butina {'cutoff': 0.4} 4810 1.37 0.727
Butina {'cutoff': 0.5} 3915 1.68 0.628
Butina {'cutoff': 0.6} 3027 2.17 0.544
Butina {'cutoff': 0.7} 1943 3.38 0.441
Butina {'cutoff': 0.8} 690 9.52 0.302
Hierarchical {'threshold': 0.3} 5661 1.16 0.849
Hierarchical {'threshold': 0.4} 4993 1.32 0.750
Hierarchical {'threshold': 0.5} 4210 1.56 0.664
DBSCAN {'eps': 0.2} 393 2.24 0.091
DBSCAN {'eps': 0.3} 648 2.54 0.092
DBSCAN {'eps': 0.4} 862 3.25 0.096
KMeans {'k': 10} 10 656.80 0.144
KMeans {'k': 20} 20 328.40 0.159
KMeans {'k': 50} 50 131.36 0.180
| 方法 | 参数候选 | 簇数 | AvgSize | AvgIntraSim | 解释 |
|---|---|---|---|---|---|
| Butina | cutoff=0.6 | 3027 | 2.17 | 0.544 | 簇数适中，簇内多样性不错 |
| Butina | cutoff=0.7 | 1943 | 3.38 | 0.441 | 簇更少，簇内相似度低，松散 |
| Hierarchical | threshold=0.5 | 4210 | 1.56 | 0.664 | 簇小且相似度高，代表性好 |
推荐参数：
Butina → --cutoff 0.6
Hierarchical → --cutoff 0.5
选择Butina
分子相似性聚类的老牌方法 Butina 是专门针对分子指纹 + Tanimoto 相似度设计的，化学信息学里用得很广，聚类结果可解释性强。
速度更快 在几万分子的规模上，Butina 算法一般比层次聚类（Hierarchical）快很多，也更省内存。
参数直观 cutoff 就是“簇内相似度下限”，调节起来很直观（比如 0.6~0.7 控制簇大小和多样性）。
Hierarchical 的优点是可以得到聚类树（树状图可以动态选择阈值），但缺点是：
大数据量时计算慢，占内存多（需要完整的相似度矩阵）
阈值不如 Butina 的 cutoff 直观，分子数多的时候聚类树的可视化会很复杂
所以我建议：
日常自动化批量筛选 → Butina
需要深入探索簇之间的关系 → Hierarchical
然后根据聚类结果：
聚类：用 Butina cutoff ≈ 0.6–0.7 或 Hierarchical 阈值 ≈ 0.5–0.6（保持簇内差异可控，簇数不要太多）。
选代表：每个簇取 1 个中心分子（簇内与其他成员平均相似度最高的那个）。
如果仍想增强多样性，可以在代表集中再跑一次 MaxMin picking。
设计思想：
- 聚类（控制簇内差异） 目标：把相似的分子放到同一簇，不同簇差异尽量大。
选择 Butina cutoff ≈ 0.6–0.7 或 层次聚类阈值 ≈ 0.5–0.6 是为了既保留结构差异，又不让簇数太多。
阈值越低 → 簇数多、粒度细（多样性高但不聚拢），阈值越高 → 簇数少、粒度粗（代表性强但多样性低）。
你这里是在中间值取平衡，保证每个簇内的分子还是相似的，但簇的总数也不会大到难以处理。
- 簇内代表分子选择 在每个簇里，找出与簇内所有成员平均相似度最高的分子作为“簇中心”。
这样可以确保这个分子最能代表整个簇的化学特征。
这种方法类似medoid picking，比随便选一个分子更稳。
- 再次提升多样性（MaxMin picking） 如果代表集依然太集中，可以再用一次MaxMin picking：
第一步选一个分子（比如最活跃的、或者随机一个）
每次选下一个时，都选当前与已选分子集合中最不相似的那个
这样会最大化代表集之间的结构差异，让你挑到的分子更加分散、多样。
每个簇选一个分子后，对每个分子进行对于打分进行 ranking 排序，选择前 100 个分子用于后续实验。
聚类结果
trpe 聚类结果
Butina 聚类（0.6）
python scripts/cluster_best_vina.py \
--csv result/filtered_results/qed_values_trpe_combined_filtered.csv \
--smiles-col smiles \
--radius 3 \
--n-bits 1024 \
--cutoff 0.6 \
--out result/trpe_cluster_best_vina_butina.csv
[i] butina 聚类完成：8960 个簇，有效分子数 18787
[+] 已保存：result/trpe_cluster_best_vina_butina_butina.csv（8960 条，每簇 1 条）
Hierarchical 聚类（0.5）
python scripts/cluster_best_vina.py \
--csv result/filtered_results/qed_values_trpe_combined_filtered.csv \
--smiles-col smiles \
--radius 3 \
--n-bits 1024 \
--method hierarchical \
--cutoff 0.5 \
--out result/trpe_cluster_best_vina_hier.csv
[i] hierarchical 聚类完成：7267 个簇，有效分子数 18787
[+] 已保存：result/trpe_cluster_best_vina_hier_hierarchical.csv（7267 条，每簇 1 条）
fgbar 聚类结果
Butina 聚类（0.6）
python scripts/cluster_best_vina.py \
--csv result/filtered_results/qed_values_fgbar_combined_filtered.csv \
--smiles-col smiles \
--radius 3 \
--n-bits 1024 \
--cutoff 0.6 \
--out result/fgbar_cluster_best_vina_butina.csv
[i] butina 聚类完成：4810 个簇，有效分子数 6568
[+] 已保存：result/fgbar_cluster_best_vina_butina_butina.csv（4810 条，每簇 1 条）
Hierarchical 聚类（0.5）
python scripts/cluster_best_vina.py \
--csv result/filtered_results/qed_values_fgbar_combined_filtered.csv \
--smiles-col smiles \
--radius 3 \
--n-bits 1024 \
--method hierarchical \
--cutoff 0.5 \
--out result/fgbar_cluster_best_vina_hier.csv
[i] hierarchical 聚类完成：4176 个簇，有效分子数 6568
[+] 已保存：result/fgbar_cluster_best_vina_hier_hierarchical.csv（4176 条，每簇 1 条）
karamadock 筛选
待反馈结构结果
karamadock：只看 qed 过滤后的小分子对接情况（过滤标准：小分子，QED）
glide: 小分子，QED。（vina 打分好的 1w 个 ， 按照底物标准）
glide 筛选
之前是考虑底物标准的交集，这里使用底物标准剩余的分子全部使用glide 进行分子对接。
将 qed_values_fgbar_filtered.csv
将 qed_values_fgbar_filtered.csv
fgbar
vina，karamadock，底物标准，选择 交集做 glide。
tanimoto_clustering.py 用法
环境依赖
micromamba create -n chem_cluster python=3.11 mordred chemplot pandas rdkit scikit-learn
from utils.chem_cluster import TanimotoClusterer, search_best_config, SearchConfig
几个核心类和函数：
TanimotoClusterer：主聚类类，可配置方法、参数，fit() / stats() / representatives() / chemplot_scatter()。
SearchConfig：自动搜索的参数集合（半径、nBits、聚类器等的网格）。
search_best_config：自动搜索“分得比较开”的聚类配置，并返回最佳聚类器、统计和历史对比表。
ClusterStats：聚类统计结构体（样本数、簇数、最大簇比例、轮廓系数等）。
分子对接分析流程
目录
[TOC]
1. 项目概述
...
2. 系统功能
...
3. 技术架构
...
4. 技术选型
...
5. 开发环境
...
6. 技术约束
...
使用说明
数据准备
...
分子对接
...
结果分析
...
聚类分析
...
新增：代表分子选择
选择簇内最高Vina得分分子
# 示例命令
python scripts/select_representatives.py \
--csv result/filtered_results/qed_values_fgbar_top100.csv \
--smiles-col smiles \
--vina-col vina_scores \
--radius 3 \
--n-bits 1024 \
--sim-cutoff 0.6 \
--output result/clustered_representatives.csv
--csv: 输入CSV文件路径--smiles-col: SMILES列名--vina-col: Vina得分列名--radius: Morgan指纹半径（默认3）--n-bits: 指纹位数（默认1024）--sim-cutoff: Butina相似度阈值（默认0.6）--output: 输出文件路径
该脚本会：
- 使用Butina算法对分子进行聚类
- 在每个簇中选择Vina得分最高的分子
- 将结果保存到新的CSV文件
输出文件包含每个簇的代表性分子，共保留与簇数量相同的分子。