Open-Source Molecular Docking & AI-Augmented SBDD: 2026 Review
Azam & Almahmoud（カシム大学）— Int. J. Mol. Sci. 2026, 27, 3302 — DOI: 10.3390/ijms27073302
🎯 ワークフロー中心のレビュー: オープンソースドッキング × AI の現状と前向き成功事例 11 件を体系整理
① オープンソース VS エコシステム

AutoDock Vina ファミリー（Vina, SMINA, GNINA, UniDock）が学術引用の中心。最新 AI 統合手法として AF3/Boltz-2/Chai-1 が複合体予測に参入しているが、定量的アフィニティランキングは FEP 等の物理手法が依然として必要。

ドッキングエンジン
Vina, SMINA, GNINA (CNN), UniDock (GPU)
AI 複合体予測
AF2/AF3, Boltz-2 (with affinity), Chai-1
ウェブサービス
CB-Dock2, SwissDock, DockThor
大規模 VS 基盤
Enamine REAL Space (100B+), Parquet/DuckDB
② ワークフローの 6 ステップ
  1. Study Design: ターゲット選定・スクリーニング規模決定
  2. Structural Data: PDB / AlphaFold DB / Homology model
  3. Binding Site: FPocket / SiteFinder / blind docking
  4. Prep: PDB2PQR+PROPKA3 (タンパク質) / RDKit (リガンド)
  5. Docking: Vina/SMINA/GNINA/UniDock; AI rescoring
  6. Validation: ProLIF 相互作用・ADMET・FEP
③ GPU 加速 VS の台頭
10–100×
UniDock / Vina-CUDA の GPU 高速化倍率

Enamine REAL Space（数百億化合物）規模への対応には GPU 加速 + Parquet/DuckDB の組み合わせが必須。

100B+
make-on-demand ライブラリ規模 (Enamine REAL)
スクリーニング規模 (log10 化合物数) 10⁷ 10⁹ 10¹¹ CB1 74M GPR139 235M CaSR 1.2B Enamine 100B+
④ 主な結果 (a) 前向き成功事例ハイライト
ターゲットツールヒット率最良ポテンシャル
σ2 受容体DOCK3.8 + AF255%Ki 1.6 nM
CB1 受容体大規模 Vina19.6%Ki 0.95 nM
GPR1392.35億化合物 Docking7.4% (5/68)〜µM
KLHDC2RosettaVS14% (7/50)X線検証済み
CaSR1.2B 大規模 Dock36.5%nM リード
前向き VS ヒット率 (Table 1) 0 20 40 60% σ2 55% CaSR 36.5% CB1 19.6% KLHDC2 14% GPR139 7.4%
④ 主な結果 (b) AF2 vs. 実験構造のヒット率比較
AF2 予測 vs. 実験構造 ヒット率比較 0% 20% 40% 60% AF2 Experimental σ2 受容体
@1µM 5-HT2A
@10µM 55% 51% 26% 23%
④ 主な結果 (c) コンセンサスドッキング

複数エンジンのランキングを Reciprocal Rank Fusion (RRF) で統合することで、単一エンジンの偏りを補完し安定した EF を達成。

RRF スコア = Σ 1/(rank_i + 60)
エンジン: Vina + SMINA + GNINA
コンセンサスドッキング フロー Vina SMINA GNINA (CNN) RRF 統合 k = 60 統合 ランキング 単一エンジンの偏りを補完し安定した EF を達成
  • GNINA CNN スコアが困難ターゲットで Vina を上回るケースあり
  • post-docking validation に ProLIF 相互作用フィンガープリントを推奨
④ 主な結果 (d) AI 統合の注意点
  • AF3/Boltz-2/Chai-1 は初期幾何生成の補完ツール
  • 定量ランキングには FEP 等の物理手法が依然必要
  • Boltz-2 はアフィニティ予測を実装した初期モデル（精度要確認）
LLM のハルシネーションによる相互作用予測誤りに注意
PDB バイアス → 学習データ外タンパク質では AF3 ポーズ精度が低下
⑤ パイプライン統合への示唆 (lib/docking)
UniDock GPU 対応
UniDockRunner を GPU 加速モードに移行。数億〜数十億規模の VS を Enamine REAL Space 等に対して実行可能に。Parquet + DuckDB でライブラリ管理
コンセンサス統合 (RRF)
Vina + SMINA + GNINA の複数エンジン結果を RRF (k=60) で統合する ConsensusDockingScorer モジュールを lib/docking/consensus/ に追加
GNINA CNN リスコアリング
UniDockRunner の後処理として gnina --score_only をパイプライン統合。困難ターゲット（膜タンパク質・可撓性リガンド）の精度向上
AF2/AF3 受容体対応
実験構造がないターゲットへの前向き VS のため、AlphaFold 予測構造を受容体として直接利用する前処理フローを追加
⑥ 引用・ツール情報
  • UniDock: github.com/dptech-corp/Uni-Dock
  • GNINA: github.com/gnina/gnina
  • SMINA: sourceforge.net/projects/smina/
  • TeachOpenCADD: github.com/volkamerlab/teachopencadd
  • 41 pages, 267 references — 包括的リファレンス
Open-Source Docking Review — Azam & Almahmoud | Int. J. Mol. Sci. 2026, 27, 3302 | DOI: 10.3390/ijms27073302 | Category: computational_chemistry | lib/docking GPU拡張のリファレンス