AutoDock Vina
The Scripps Research Institute / CADD Group
AutoDock Vina ist der meistgenutzte Open-Source-Docking-Algorithmus in der präklinischen Wirkstoffforschung. Er berechnet vorhergesagte Bindungsaffinitäten (kcal/mol) zwischen kleinen Molekülen und Zielprotein-Taschen — Grundlage für Structure-Based Virtual Screening. Vina 1.2 (2021) brachte GPU-Unterstützung und deutlich verbesserte Scoring-Funktionen gegenüber dem Klassiker von 2010.
Kosten: Komplett kostenlos; Apache-2.0-Lizenz. GPU-beschleunigte Variante Vina-GPU ebenfalls Open Source.
Stärken
- Industriestandard für akademisches und frühphasiges industrielles Docking — über 30.000 Zitierungen
- Schnelles Hochdurchsatz-Screening: mit GPU-Beschleunigung Millionen Moleküle pro Tag
- Freie Nutzung auch für kommerzielle Projekte (Apache-2.0)
- Breite Ökosystem-Integration: direkte Unterstützung in RDKit, DeepChem, GNINA, DockM8
- SMINA und GNINA als leistungsfähige Weiterentwicklungen mit Deep-Learning-Scoring
Einschränkungen
- Klassische Scoring-Funktion unterschätzt hydrophobe Interaktionen und schwache H-Brücken
- Keine Proteinflexibilität: Bindungstasche wird als starr behandelt (Induced-Fit fehlt)
- Für Lead-Optimization und Bindungsaffinität-Ranking deutlich schlechter als FEP+ (Schrödinger)
- Kein GUI im eigentlichen Sinne — Nutzung über Kommandozeile oder Python-Wrapper
- Hohe Falsch-Positiv-Rate bei sehr großen Bibliotheken — Nachfilterung mit ADMET-Modellen nötig
Passt gut zu
So steigst du ein
Schritt 1: Installiere AutoDock Vina über Conda (conda install -c conda-forge vina) oder lade die vorkompilierte Binary von vina.scripps.edu. Für GPU-Beschleunigung nutze Vina-GPU von der GitHub-Seite des CADD-Labors. Stelle sicher, dass Python-Wrapper vina (PyPI) installiert ist — er vereinfacht Batch-Runs erheblich.
Schritt 2: Bereite Protein und Ligand vor. Das Zielprotein braucht eine saubere PDB-Struktur (Kristallstruktur, Cryo-EM-Daten oder AlphaFold-Modell), bereinigt von Kristallwasser und mit korrekten Protonierungszuständen (PROPKA oder Reduce). Liganden als SMILES konvertierst du mit RDKit zu 3D-Konformeren (ETKDG-Algorithmus). Die Bindungstasche definierst du als Grid-Box um den bekannten oder vorhergesagten Binding-Site-Bereich.
Schritt 3: Für Bibliotheksscreening automatisiere den Ablauf mit Python. Nutze vina.Vina() als Python-Objekt, iteriere über deine SMILES-Liste und schreibe Ergebnisse direkt in eine SQLite- oder CSV-Datenbank. Filtere Hits mit RDKit nach Lipinski-Regeln (Ro5), PAINS-Filtern und synthetischer Zugänglichkeit, bevor du die Top-Kandidaten für Wet-Lab-Validation auswählst.
Ein konkretes Beispiel
Ein Heidelberger CRO-Team screent 500.000 kommerziell verfügbare Verbindungen aus der Enamine-Bibliothek gegen einen neuen Kinase-Target (AlphaFold-Strukturmodell, Konfidenz pLDDT > 85 in der Bindungstasche). AutoDock Vina mit GPU-Beschleunigung benötigt auf einer NVIDIA A100 ca. 18 Stunden für den vollen Durchlauf. Die 2.000 besten Treffer nach Vina-Score werden mit RDKit auf Ro5 und PAINS gefiltert (verbleiben: 340), dann mit einem DeepChem-ADMET-Modell auf vorhergesagte Hepatotoxizität gescreent. Die verbleibenden 47 Verbindungen gehen als Prioritätsliste für die biochemische Primärvalidierung ins Wet Lab — anstatt 500.000 Assays auf 47 reduziert.
Diesen Inhalt teilen:
Empfohlen in 1 Use Cases
Redaktionell bewertet · Preise und Funktionen können sich ändern.
Stimmt etwas nicht?
Preise geändert, Feature veraltet oder etwas fehlt? Wir freuen uns über Hinweise und Ergänzungen.
Nicht sicher, ob AutoDock Vina zu euch passt?
Wir helfen bei der Tool-Auswahl und begleiten die Einführung in euren Arbeitsalltag — unverbindlich und kostenlos im Erstgespräch.
Weitere Tools
Artisan
Artisan-Scope (Community Open Source)
Open-Source-Software für Kaffeeröster zum Aufzeichnen, Analysieren und Reproduzieren von Röstkurven. Artisan unterstützt über 1.000 Röster-Modelle, läuft lokal auf Windows/macOS/Linux und hat keine Abo-Kosten — dafür keine ML-Kurvenvorhersage wie Cropster und eingeschränkten Support.
Mehr erfahrenBoltz-1
MIT Jameel Clinic / Boltz Community
Boltz-1 ist das erste vollständig quelloffene Modell (MIT-Lizenz) für biomolekulare Strukturvorhersage, das auf AlphaFold-3-Niveau performt. Es modelliert Protein-Protein-, Protein-Ligand- und Protein-Nukleinsäure-Komplexe mit einem Diffusionsmodell — ohne kommerzielle Einschränkungen, lokal lauffähig und für industrielle Forschung frei nutzbar.
Mehr erfahrenChai-1
Chai Discovery
Chai-1 ist ein multimodales Biomolekül-Strukturvorhersagemodell von Chai Discovery (San Francisco), das Proteine, Nukleinsäuren, kleine Liganden und kovalente Modifikationen gemeinsam modelliert. Die Leistung ist mit AlphaFold 3 vergleichbar; das Modell läuft ohne Multiple Sequence Alignments (MSA-frei) und ist besonders schnell für erste Screening-Iterationen in der Drug Discovery.
Mehr erfahren