diffdock

diffdock 技能概覽

diffdock 是用來做什麼的

DiffDock 是一個以 docking 為核心的技能，用來根據蛋白質結構或序列，加上配體輸入，預測蛋白質－配體的結合姿勢。當你想回答的是「這個化合物可能會怎麼、又會在哪裡結合？」而不是「它的結合親和力有多高？」時，就該用 diffdock 技能。

最適合的情境與判斷界線

diffdock 適合結構式藥物設計、虛擬篩選，以及供下游分析使用的 pose 生成。如果你只需要依效力排序、蛋白目標高度柔性，或你要的是一般化學工作流程而不是 pose 預測流程，這個技能就不是最佳選擇。

diffdock 為什麼有用

diffdock 的主要價值，在於它把單一複合體 docking、批次篩選、信心分數，以及以序列為基礎的蛋白輸入，整合進同一套工作流程。當你既需要可執行的 docking 路徑，又需要足夠的指引來避免誤讀分數時，安裝 diffdock 就很值得。

如何使用 diffdock 技能

安裝並先檢視工作流程

先把 diffdock 技能安裝到你的 Claude skills 設定中，然後第一步就打開 SKILL.md。接著再閱讀 references/workflows_examples.md、references/parameters_reference.md 和 references/confidence_and_limitations.md，先弄清楚實際的輸入格式、預設值與分數詮釋，再開始跑 job。

把你的任務改寫成可用的提示詞

在使用 diffdock 時，一開始就要把蛋白格式、配體格式與任務類型說清楚。好的輸入要具體，例如：「把這個 SMILES dock 到這個 PDB，並回傳前 5 個 poses 與信心分數解讀」或「針對這些 ligands 對單一 receptor 做 batch docking。」糟的輸入只是「run diffdock」，因為這樣看不出技能應該使用檔案、序列，還是 CSV 批次。

用對檔案與輸出

做單一 docking 時，先準備蛋白 PDB 和以 SMILES、SDF 或 MOL2 表示的 ligand。若是批次作業，請使用 assets/batch_template.csv 裡的 CSV 範本；如果你需要在執行前先做驗證，也可以檢查 scripts/prepare_batch_csv.py。跑完之後，scripts/analyze_results.py 可以幫你彙整 pose 排名與信心分數，避免你逐一人工檢視每個輸出檔。

實務設定建議

diffdock 的安裝與第一次執行，可能會因為 model weights 與 lookup-table 產生而變慢，所以要把這段設定成本算進去。如果你的蛋白沒有結構檔，技能也支援以序列進行 folding，但這會增加不確定性；只有在沒有實驗結構時才使用，不要把它當成預設捷徑。sampling 只有在任務較難時才調高，因為更多 samples 雖然能提升搜尋覆蓋度，也會增加運算量與後處理工作。

diffdock 技能 FAQ

diffdock 只支援 PDB 檔嗎？

不是。diffdock 技能支援蛋白質結構，在某些工作流程裡也支援先折疊再 docking 的蛋白序列。不過只要你有實際的 PDB，仍然應優先使用，因為由序列推導出的結構本身又多了一層誤差來源。

diffdock 會預測 affinity 嗎？

不會。DiffDock 預測的是 binding poses 和 confidence，不是 binding affinity。如果你需要類似 affinity 的優先排序，應該把 diffdock 和 scoring 或 rescoring 步驟搭配使用，而不是把 confidence 當成 potency。

diffdock 技能適合新手嗎？

如果你的任務很直接：一個 receptor、一個 ligand、一個 pose 問題，那就適合。當你需要批次整理、柔性蛋白，或要細緻解讀低信心樣本時，難度就會上升。這個技能對 docking 來說算是新手友善，但不是拿來取代領域判斷的。

什麼情況下不該用？

如果 target 的主要結合機制是構形變化，或你手上的 ligand 表示非常不確定，就不要依賴 diffdock。若你的真正問題是 SAR、selectivity 或 ADMET，它也不適合作為完整 medicinal chemistry 分析流程的替代品。

如何改進 diffdock 技能

提供更好的分子脈絡

diffdock 的最佳結果通常來自乾淨的輸入：正確的 receptor 檔、帶有已知質子化假設的 ligand，以及清楚定義的結合問題。如果已知 binding site，就直接說明；如果是 blind docking 任務，也要講清楚，因為搜尋策略與預期信心值會不同。

指定你真正會用到的輸出

要提升 diffdock 的使用效果，可以明確指定你要的是 top pose、前 5 個 poses、batch screening，還是依 confidence 排序的候選項。如果你之後要做比較，請要求一致的檔名規則與摘要表。這可以減少歧義，讓輸出更容易整合到 Data Analysis 或 screening 報告中。

注意常見失敗模式

最常見的錯誤，是把 confidence 當成 affinity、ligand 前處理不佳，以及對超出模型舒適範圍的蛋白結果過度信任。如果結果看起來不穩定，可以用更多 samples 重新執行，比較多個 top poses，並檢查真正卡住的是 ligand chemistry 或 protein state，而不是模型本身。

用有針對性的追問來迭代

第一次跑完後，下一輪 diffdock 提示詞要針對具體問題做修正：例如位點放錯、pose clustering 不一致，或 confidence 分數太低。這比泛泛地要求重跑更有用。當你需要把 diffdock 用在 Data Analysis 時，請直接說明你要從輸出中擷取的指標，例如 rank 分布、score 閾值，或每個複合體的摘要。