NVIDIA 把扩散模型塞进药物研发，81.85% Top-1 刷新 PoseBusters 纪录

三年前 PoseBusters 裁定"AI 对接不行"，现在 NVIDIA 翻了案

2023 年 8 月，一篇题为《PoseBusters: AI-based docking methods fail to generate physically valid poses》的论文给了 AI 分子对接迎头一棒。研究者用一套严格的物理有效性检查套件，把当时最热门的五个深度学习对接方法挨个测了一遍——结果近乎全军覆没。DiffDock 的 PoseBusters 有效率只有 38%，TankBind 仅 16%，EquiBind 更是惨淡的 2%。

那篇论文等于向整个 AI 药物研发社区放了一句话：你们的模型，生成的分子构象在物理上根本不合理。

三年后，NVIDIA 用同一个基准，把答卷摔回了桌上。

2026 年 7 月 8 日，NVIDIA 在 Hugging Face 上发布了 nvDock——一个基于扩散模型的全原子分子口袋对接模型（all-atom molecular pocket docking model）。在 PoseBusters 基准上，nvDock 交出了 Top-1 81.85%、Oracle 94.51% 的成绩单，两项指标双双刷新当前最佳纪录。

模型权重、源代码、训练脚本全部开源，模型采用 NVIDIA Open Model Agreement 授权，代码使用 Apache 2.0 和 MIT 许可。

消息由 AI 论文追踪账号 @HuggingPapers 首发，随即被拥有 50 万关注者的知名 AI 研究策展人 @_akhaliq 转发扩散。

81.85% Top-1，PoseBusters 新王登基

nvDock 的 PoseBusters 成绩在同类模型中显著领先。以下是 Hugging Face 模型卡上公布的完整对比：

nvDock 比此前的 Top-1 纪录保持者 SigmaDock（80.5%）高出 1.35 个百分点。Oracle 准确率（即模型生成的 40 个候选构象中最接近真实结构的比例）则比 SigmaDock 高出 2.51 个百分点，达到 94.51%。这意味着在几乎 95% 的情况下，nvDock 生成的 40 个候选构象中至少有一个足够接近真实结合姿态。

值得注意的是，nvDock 并未使用强化学习或物理引导的后处理优化，仅靠 Score 模型 + Confidence 模型的扩散-排序两阶段流程就拿到了 SOTA。这与 DiffDock-RL++（80.2% Top-1，但叠加了 RL 训练和物理引导精修）形成鲜明对比——nvDock 的路线更简洁，也更容易复现。

从盲对接到口袋对接：全原子表征是胜负手

nvDock 的核心技术决策可以用一句话概括：把蛋白质看全，把问题做小。

任务设定：从"海上捞针"到"按图索骥"

传统的盲对接（blind docking）任务要求模型在不知道结合位点的情况下，在整个蛋白质表面搜索配体的最佳结合位置。这相当于让模型在一栋大楼里找一把钥匙——还不告诉它钥匙可能在哪个房间。

n 口袋对接（pocket docking）则假设结合位点已知——这在药物研发的实际工作流中是更常见的场景。研究者通常已经通过实验或计算手段确定了靶蛋白的活性口袋位置，问题因此从"在哪里结合"收缩为"怎么结合"。nvDock 正是为这个更现实也更容易评估的场景设计的。

架构设计：双模型协同，各自精专

nvDock 由两个独立训练的模型组成，分别负责生成和评估：

Score 模型（44M 参数）负责在反向扩散过程中生成配体的候选结合构象。它是一个三维等变图神经网络，包含嵌入层和 9 层图卷积交互层。该模型基于原始 DiffDock 的架构，但将训练重点从全蛋白质表面的盲对接转移到口袋区域。

Confidence 模型（7.4M 参数）负责对 Score 模型生成的候选构象进行排序。它的架构更为精细：一个三维 SO(3)-等变异构图注意力网络（HeteroEGA），包含 3 个 HeteroEGA Transformer 块，每个块内含 9 个等变图注意力模块。这些注意力模块在配体、受体残基和受体原子三类节点之间进行 3 种内部 + 6 种交叉类型的信息传递。

Confidence 模型的设计是在 DiffDock-Pocket 置信度架构的基础上，将原有的张量积卷积替换为 Equiformer v3 的 SO(2)-等变图注意力机制。这一替换保留了原始 9 路异构图消息传递拓扑，同时增强了模型对三维旋转的敏感度。

两个模型合计约 51.4M 参数，体量适中。对比当前动辄数十亿参数的大语言模型，nvDock 的紧凑设计使其在单张 A100 或 H100 GPU 上即可完成推理。

全原子表征：从骨架到侧链的跨越

原始 DiffDock 仅使用蛋白质的 Cα 原子（α-碳骨架）来表示受体，这大幅简化了计算但丢失了侧链的化学信息。在复杂结合环境中，侧链的方向、电荷分布和空间位阻往往是决定配体结合模式的关键因素。

nvDock 的核心改进是全原子（all-atom）蛋白质表征：模型直接处理蛋白质口袋中所有原子的三维坐标和元素类型，捕获 Cα 骨架无法表达的结合位点细节。这一改进在化学上有直观依据——药物-靶点相互作用的特异性往往取决于几个关键残基侧链的精确定位。

训练数据：97.5 万复合物筑底

模型在 97.5 万个蛋白质-配体复合物上训练，其中 10 万来自 PLINDER-time 数据集（基于 PDB 数据库自动策划），87.5 万来自 SAIR 数据集。这个规模在分子对接领域属于第一梯队，为模型提供了足够的结构多样性，使其能在 PoseBusters 的 306 个测试复合物上展现出色的泛化能力。

NVIDIA BioNeMo 的"静悄悄"武器库

nvDock 并非孤立发布。它属于 NVIDIA BioNeMo 开源模型系列——NVIDIA 在生命科学 AI 领域系统布局的一部分。

BioNeMo 平台近期动作密集。2026 年 6 月 23 日，NVIDIA 在 BIO 2026 大会上发布了 BioNeMo Agent Toolkit，为 AI Agent 提供蛋白质结构预测、分子对接、生成化学、基因组分析等领域专用工具。Jensen Huang 在发布会上将其定位为"AI 科学家的工具箱"。Arc Institute、华盛顿大学蛋白质设计研究所（IPD）等顶尖研究机构已宣布接入该平台。

nvDock 的 GitHub 仓库（NVIDIA-BioNeMo/nvDock）于 6 月 8 日创建，由 6 位贡献者（DejunL、locnk19、lvtuan98、monika-ntx、htmaivn、dejunlin）维护，采用 Python（93.8%）与 Shell（6.1%）开发。仓库提供了完整的数据预处理、训练、微调流水线，支持全参数微调和多种微调策略。

BioNeMo 开源矩阵的其他成员包括：蛋白质骨架生成模型 Proteina（269 星）和 La-Proteina（302 星）、蛋白质-小分子结合剂设计模型 Proteina-Complexa（387 星）、GPU 加速计算化学库 nvMolKit（264 星），以及旗舰级的 BioNeMo Recipes（817 星）。nvDock 的加入填补了该矩阵中"分子对接"这一关键环节的空白。

SigmaDock、ArtiDock 仍在追赶，但开源的只有 NVIDIA

分子对接的赛道正在加速分化。把 nvDock 放进当前竞争版图，几条线的张力清晰可见：

口袋对接已全面超越盲对接。 从 PoseBusters 的数据可以明显看出，所有 Top-1 超过 69% 的方法都采用了口袋对接设定。DiffDock 最初的盲对接范式（38% Top-1）已基本退出 SOTA 竞争。这对于实际药物研发是一个积极信号：只要结合位点已知，AI 对接的可靠性已接近实用门槛。

SigmaDock 是最近的直接对手。 Bliss 团队在 2026 年 3 月发布的 SigmaDock 以 80.5% Top-1 和 92.0% Oracle 短暂登顶。SigmaDock 的路线是端到端的基于片段的 SE(3) 扩散模型，强调物理引导（physics-guided）。nvDock 在 Top-1 上超出 1.35 个百分点，差距不大但方向明确。

ArtiDock 代表了工业界的另一条路线。 78.0% Top-1 的成绩虽已被超越，但 ArtiDock 来自商业化团队（而非学术实验室），其闭源策略与 nvDock 的全面开源形成对比。

开源 vs. 闭源的路线之争浮出水面。 nvDock 是目前 PoseBusters 榜单上唯一一个同时提供模型权重和完整训练代码的 SOTA 方法。NVIDIA 使用了 NVIDIA Open Model Agreement，允许商业和非商业用途。在一个高度依赖计算资源和专有数据的领域，这种开放程度并不常见——其背后是 NVIDIA 希望 BioNeMo 成为药物研发 AI 的标准基础设施的战略意图。

药物研发的 "Stable Diffusion 时刻" 还有多远？

nvDock 的成绩单值得鼓掌，但它同时提醒我们分子对接距离真正实用化还有几道坎。

81.85% 的 Top-1 准确率意味着在近 20% 的测试案例中，模型排名第一的预测构象与真实结构偏差仍超过 2 Å（RMSD）且未通过 PoseBusters 的物理有效性检查。对一个希望取代湿实验的方法来说，这个失败率仍然不够低。

更关键的是，PoseBusters 的 306 个测试复合物是经过精心筛选的高质量结构。在实际药物研发项目中，靶蛋白的结合口袋可能具有高度柔性，配体可能诱导显著的构象变化（induced fit），共价抑制剂的结合模式与可逆配体完全不同——这些都是 nvDock 当前尚未覆盖的场景。

但 nvDock 的意义不在于它解决了所有问题，而在于它让这些问题变得更可触及。5300 次浏览、34 次点赞、13 次书签——这些数字对于一个分子对接模型来说并不寒酸，它反映了一个信号：AI 社区正在从"扩散模型能做什么"的猎奇阶段，进入"扩散模型能在哪个垂直领域创造真实价值"的严肃讨论。

NVIDIA 的 BioNeMo 矩阵正在系统性地覆盖药物研发管线的关键节点——从蛋白质结构预测，到分子生成，再到分子对接。nvDock 是这条链上最新扣上的一环。

---

参考链接：

• nvidia/nvDock on Hugging Face
• NVIDIA-BioNeMo/nvDock on GitHub
• @HuggingPapers 首发推文
• PoseBusters 论文 (arXiv 2308.05777)
• Original DiffDock 论文 (arXiv 2210.01776)

---

本文由 AREX Agent 基于公开信息撰写，仅供信息参考，不构成任何投资或研究建议。_