diffdock

Tổng quan về skill diffdock

diffdock dùng để làm gì

DiffDock là một skill tập trung vào docking, dùng để dự đoán tư thế gắn kết protein-ligand từ một cấu trúc hoặc chuỗi protein cộng với một đầu vào ligand. Hãy dùng skill diffdock khi bạn cần câu trả lời thực tế cho câu hỏi “hợp chất này có thể gắn vào đâu và theo cách nào?” hơn là một ước tính về ái lực gắn kết.

Phù hợp nhất và ranh giới quyết định

Skill này phù hợp với thiết kế thuốc dựa trên cấu trúc, sàng lọc ảo và sinh tạo pose để phục vụ phân tích tiếp theo. Nó phù hợp kém hơn nếu bạn chỉ cần xếp hạng theo độ mạnh tác dụng, nếu đích protein của bạn có tính linh động cao, hoặc nếu bạn muốn một workflow hóa học tổng quát thay vì workflow dự đoán pose.

Điều gì khiến nó hữu ích

Giá trị chính của diffdock là nó kết hợp docking cho một phức hợp đơn lẻ, sàng lọc hàng loạt, chấm điểm độ tin cậy và đầu vào protein dựa trên chuỗi trong cùng một workflow. Điều đó làm cho việc cài đặt diffdock đáng giá khi bạn muốn vừa có một đường chạy docking có thể thực thi, vừa có đủ hướng dẫn để tránh đọc sai các điểm số.

Cách sử dụng skill diffdock

Cài đặt và kiểm tra workflow

Cài đặt skill diffdock trong bộ thiết lập Claude skills của bạn, rồi mở SKILL.md trước tiên. Sau đó, đọc references/workflows_examples.md, references/parameters_reference.md, và references/confidence_and_limitations.md để hiểu đúng dạng đầu vào, giá trị mặc định và cách diễn giải điểm số trước khi chạy một job.

Biến tác vụ của bạn thành một prompt dùng được

Với diffdock, hãy cung cấp sẵn định dạng protein, định dạng ligand và loại job. Đầu vào tốt phải cụ thể, ví dụ: “Dock SMILES này vào PDB này và trả về 5 pose hàng đầu kèm diễn giải độ tin cậy,” hoặc “Chuẩn bị batch docking cho các ligand này đối với một receptor.” Đầu vào yếu chỉ đơn giản là “chạy diffdock,” vì nó che mất việc skill nên dùng file, chuỗi hay batch CSV.

Dùng đúng file và đúng đầu ra

Với docking đơn lẻ, hãy bắt đầu bằng một protein PDB và một ligand ở định dạng SMILES, SDF hoặc MOL2. Với công việc batch, hãy dùng mẫu CSV trong assets/batch_template.csv và kiểm tra scripts/prepare_batch_csv.py nếu bạn cần xác thực trước khi thực thi. Sau khi chạy xong, scripts/analyze_results.py giúp tóm tắt thứ hạng pose và điểm tin cậy để bạn không phải tự xem thủ công từng file đầu ra.

Mẹo thiết lập thực tế

Cài đặt diffdock và lần chạy đầu tiên có thể chậm do tải trọng số model và tạo bảng tra cứu, vì vậy hãy tính trước chi phí thiết lập này. Nếu protein của bạn không có sẵn cấu trúc, skill hỗ trợ dựng cấu trúc dựa trên chuỗi, nhưng điều đó làm tăng độ bất định; chỉ nên dùng khi không có cấu trúc thực nghiệm, không nên xem đây là lối tắt mặc định. Chỉ điều chỉnh sampling khi bài toán khó, vì nhiều sample hơn sẽ cải thiện độ phủ tìm kiếm nhưng cũng làm tăng chi phí tính toán và công việc hậu xử lý.

Câu hỏi thường gặp về skill diffdock

diffdock chỉ dành cho file PDB thôi à?

Không. Skill diffdock hỗ trợ cấu trúc protein và trong một số workflow còn hỗ trợ cả chuỗi protein sẽ được fold trước khi docking. Tuy vậy, nếu có PDB thực sự thì vẫn nên dùng PDB, vì cấu trúc suy ra từ chuỗi sẽ thêm một nguồn sai số nữa.

diffdock có dự đoán ái lực không?

Không. DiffDock dự đoán pose gắn kết và độ tin cậy, không dự đoán ái lực gắn kết. Nếu bạn cần ưu tiên theo kiểu giống affinity, hãy ghép diffdock với một bước scoring hoặc rescoring thay vì xem confidence như độ mạnh tác dụng.

Skill diffdock có thân thiện với người mới không?

Có, nếu bài toán của bạn đơn giản: một receptor, một ligand, một câu hỏi về pose. Nó sẽ khó hơn khi bạn cần lọc batch, protein linh động, hoặc diễn giải cẩn thận các sample có độ tin cậy thấp. Skill này thân thiện với người mới trong docking, chứ không phải để thay thế phán đoán chuyên môn.

Khi nào không nên dùng?

Đừng dựa vào diffdock cho các target mà thay đổi cấu dạng là cơ chế gắn kết chính, hoặc khi bạn chỉ có biểu diễn ligand rất không chắc chắn. Nó cũng là lựa chọn thay thế kém cho một workflow phân tích medicinal chemistry đầy đủ nếu câu hỏi thực sự của bạn là SAR, selectivity, hoặc ADMET.

Cách cải thiện skill diffdock

Cung cấp ngữ cảnh phân tử tốt hơn cho skill

Kết quả diffdock tốt nhất thường đến từ đầu vào sạch: một file receptor chính xác, một ligand với giả định proton hóa rõ ràng, và định nghĩa rành mạch về bài toán binding. Nếu đã biết site gắn kết, hãy nói rõ. Nếu là bài toán blind docking, cũng hãy nói rõ, vì chiến lược tìm kiếm và mức confidence kỳ vọng sẽ khác.

Yêu cầu đúng loại đầu ra bạn sẽ dùng

Hãy cải thiện cách dùng diffdock bằng cách chỉ định rõ bạn muốn top pose, top 5 pose, sàng lọc batch, hay các candidate được xếp theo confidence. Nếu bạn dự định so sánh kết quả sau này, hãy yêu cầu quy tắc đặt tên file nhất quán và một bảng tóm tắt. Điều này giảm mơ hồ và giúp đầu ra dễ tích hợp vào phân tích cho Data Analysis hoặc báo cáo screening.

Chú ý các lỗi hỏng thường gặp

Những lỗi phổ biến nhất là coi confidence như affinity, chuẩn bị ligand kém, và quá tin vào các lần chạy trên protein nằm ngoài vùng “thoải mái” của model. Nếu kết quả trông không ổn định, hãy chạy lại với nhiều sample hơn, so sánh nhiều pose hàng đầu, và kiểm tra xem hóa học của ligand hay trạng thái protein mới là nút thắt thực sự thay vì đổ cho model.

Lặp lại bằng các prompt theo sát vấn đề

Sau lần chạy đầu tiên, hãy cải thiện prompt diffdock tiếp theo bằng vấn đề cụ thể: định vị site sai, cụm pose không nhất quán, hoặc điểm confidence thấp. Cách đó hữu ích hơn nhiều so với việc chỉ yêu cầu chạy lại chung chung. Khi bạn cần diffdock cho Data Analysis, hãy nêu rõ metric muốn trích xuất từ output, như phân bố thứ hạng, ngưỡng điểm số, hoặc tóm tắt theo từng phức hợp.