Uni-Dock 实战测评：源码编译、四体系基准与批量吞吐验证

本文收录于专栏gnina系列—— 专栏系统覆盖分子对接引擎选型、GPU 加速虚拟筛选与打分函数评估，点击订阅可跟踪后续更新。

你看过 Uni-Dock 论文里"超千倍加速、100 块 V100 十二小时筛完 3820 万分子"的说法，想知道拿到自己这张消费级 GPU 上到底能兑现多少？
这篇在 12 GB 显存（sm_86）的机器上从源码编译 Uni-Dock v1.2.0，跑四个真实体系的单配体基准（1.7–16.5 秒）和 100 配体批量吞吐（1.04 秒/个），给出对 Vina 1.2.7 CPU 单核 4–7 倍、批量摊销后 11.9 倍的实测加速比——以及论文千倍口径与单机实测之间差距的三个来源。金属酶体系的配体拒收链坑（CA→ZN→MASTER）也一并给修法。
读完你能判断手里的库规模值不值得上 Uni-Dock。同时给出 v1.0 到 v1.2.0 的版本沿革、LGPL 到 Apache 2.0 的许可证切换时间点，以及 conda 与源码两条安装路线的取舍（conda 解算超时的实测记录也一并奉上）。

关键字：Uni-Dock、分子对接、GPU加速、虚拟筛选、批量对接、CUDA编译、AutoDock Vina、分层筛选

目录：§0. 相关教程与核心文献 ｜ §1. 软件介绍与版本沿革 ｜ §2. 原理：蒙特卡洛线程化与动态批量 ｜ §3. 特点与边界 ｜ §4. 文献测评口径 ｜ §5. 本地安装实测 ｜ §6. 基准与加速比 ｜ §7. 结论与选型建议

§0. 相关教程与核心文献

§1. 软件介绍与版本沿革

Uni-Dock 由深势科技（DP Technology）开发、在 DeepModeling 社区孵化，是对 AutoDock Vina 1.2 计算内核的 CUDA 重写：保留 vina/vinardo/ad4 三种打分函数与 Vina 风格的盒子参数，把蒙特卡洛构象搜索搬进 GPU 线程束。版本沿革：v1.0（2023 年，随 JCTC 论文发布）→ v1.1（2024 年 2 月，加入单配体模式等，LGPL 协议）→ 2025 年 3 月许可证统一为 Apache 2.0 →v1.2.0（2026 年 6 月，本文实测版本）；另有一个定位增强版的新仓库 Uni-Dock2（Apache 2.0）。对商用集成来说，现在的 Apache 2.0 与 Vina-GPU 系一致，比早期 LGPL 宽松。

§2. 原理：蒙特卡洛线程化与动态批量

Vina 的搜索是"多条蒙特卡洛链、每条链串行迭代"，天然适合把链间并行交给 GPU：每条链一个线程，同时跑成千上万条链，再砍短每条链的搜索深度——总评估数不变，墙钟时间被压到单链水平。第二个关键是动态批量显存管理：一批配体同时驻留显存，按显存占用预测自动调整批量，让 GPU 利用率始终打满。这两点合起来决定了它的性能形态——单配体任务吃不满卡，批量任务才能把优势兑现（§6 的实测会反复印证这一点）。

§3. 特点与边界

特点：--gpu_batch批量模式（配体列表一次提交）；--search_mode三档预设（fast/balance/detail 对应分层筛选的初筛/复筛/精筛）；支持 SDF 直读与配对批量（paired_batch）；输出与 Vina 生态同口径（打分、mode 表格式一致，本文 §6 与 Vina CPU 的能量逐体系对齐印证了这点）。

边界：只支持 Linux + CUDA（README 明说 ROCm 支持已停止维护）；单口袋少于 10 个配体时开销占比大、反而慢，官方给出的最优场景是"单口袋上千配体"；PDBQT 解析器对金属原子类型（CA 钙、ZN 锌）与非标准记录严格拒收——见 §5 坑 4。

§4. 文献测评口径

JCTC 2023 论文口径：对比 AutoDock Vina 单核 CPU超过 1000 倍加速且精度可比；head-to-head 实验中比 AutoDock-GPU 与 Vina-GPU 快 10 倍以上；单分子耗时在 V100 上 vina/vinardo 打分 0.1 秒、ad4 打分 0.5 秒；规模化演示为 3820 万分子（Enamine Diverse REAL 对接 KRAS G12D）在 100 块 V100 上不到 12 小时。官方 README 现行版本已更新为"V100 上超过 2000 倍"。
注意三个口径前提：数据中心卡、批量摊销、大 exhaustiveness——这三条在消费级 GPU 单任务场景都不成立，这正是 §6 实测只有个位数倍数的原因。

§5. 本地安装实测

实测环境（specs）：

第 0 步：系统依赖（一次装齐，全部来自 Ubuntu 官方仓库）：

sudoapt-getinstall-ybuild-essential cmake\libboost-system-dev libboost-thread-dev libboost-serialization-dev\libboost-filesystem-dev libboost-program-options-dev libboost-timer-dev

第 1 步：获取源码（两条路线二选一）：

# 路线一（官方推荐）：conda 预编译包，免编译conda create-nunidock_env unidock-cconda-forge conda activate unidock_env&&unidock--help# 路线二（本文实测）：源码编译，全程约 5 分钟gitclone https://github.com/dptech-corp/Uni-Dock.gitcdUni-Dock/unidock

第 2 步：编译（sm_86 卡用 86，其他卡换算力号）：

exportPATH=/usr/local/cuda/bin:$PATHcmake-Bbuild-DCMAKE_CUDA_ARCHITECTURES=86-DCMAKE_BUILD_TYPE=Release cmake--buildbuild-j8

第 3 步：冒烟验证：

./build/unidock--help# 首行应显示 "Uni-Dock v1.2.0" 与参数列表./build/unidock--receptor<受体.pdbqt>--ligand<配体.pdbqt>\--center_x0--center_y0--center_z0--size_x20--size_y20--size_z20\--scoringvina--exhaustiveness8--num_modes9--dir<已存在的输出目录># 预期: 每配体秒级完成, 输出目录出现 *_out.pdbqt

坑 1：conda 路线可能超时。本机conda create解算加下载超过 8 分钟未完成，遂改走源码；源码路线依赖只有 CUDA、CMake、Boost（≥1.72）与 g++，Ubuntu 22.04 全部现成。

坑 2：--job_name不是参数。部分教程把它写进命令行，v1.2.0 直接unrecognised option退出——那是上层工具 unidock_tools 的概念。

坑 3：--dir目录必须先建。输出目录不存在时报Directory does not exist，进程 0.01 秒静默退出，容易被脚本误判为"跑完"。

坑 4（金属酶必踩）：配体解析链式拒收。热解蛋白锌酶体系 3tmn 先后报Atom type CA is not a valid AutoDock type（钙）、ZN（锌）、Unknown or inappropriate tag（MASTER 记录）——修法是受体清洗后另存：

awk'$NF!="CA" && $NF!="ZN" && $1!="MASTER" && $1!="END"'rec.pdbqt>rec_clean.pdbqt

要注意的是 vina 打分本来就不为金属参数化，剥离是基准测试的合理操作，但真实金属酶项目应改用带金属处理的引擎并在报告中注明。

坑 5：--gpu_batch要文件列表不是目录。传目录会静默秒退并抛出"构象不在搜索空间内"的误导性警告；正确写法是--gpu_batch dir/*.pdbqt。

§6. 基准与加速比

四个体系（同机、scoring=vina、exhaustiveness=8、num_modes=9；3tmn 用清洗受体），wall 时间含格点计算：

单配体场景的结论直白：对单核 4–7 倍，对十二核基本打平——卡没有喂饱。批量场景立刻改观：100 个 1stp 配体一次提交（--gpu_batch），总耗时 103.7 秒、1.04 秒/配体（内核时间 102.9 秒），对 Vina 单核的 12.35 秒/配体即11.9 倍——批量摊销把格点计算与启动开销一次性摊掉。与论文千倍的差距可以拆成三块：V100 对消费级卡的算力差、论文基准的 exhaustiveness 与批量规模更大、以及单任务场景 GPU 根本吃不饱。另外，Uni-Dock 与 Vina CPU 的 mode1 能量逐体系一致（-7.35 对 -7.38、-11.9 对 -11.42），移植正确性的直接证据。

§7. 结论与选型建议

Uni-Dock 的正确打开方式是"单口袋大批量"：百万级以上库的分层筛选（fast 初筛全库、balance 复筛前 10%、detail 精筛再前 10%），批量越大摊销越好，许可证 Apache 2.0 对商业友好。反过来，十几个配体的零星任务、或者需要金属/特殊原子类型的体系，它在消费级卡上并不占优——后者建议 AutoDock-GPU（配体容忍度高）或专门的金属处理流程。
下一篇进入 Vina 打分家族的 OpenCL 主线：Vina-GPU 系列的版本谱系与移植实录。

系列导航：专栏全集gnina系列—— 上一篇：AutoDock-GPU 实战测评；下一篇：Vina-GPU 系列实战测评。

更多专栏：

我的专栏