AI 分子对接需要同时解决三个问题：配体是否落在正确的结合位置，生成构象是否满足化学与几何要求，以及获得这个结果需要多少计算。三者必须一起评价。一个整体位置接近参考结构、却存在局部原子碰撞的姿态，仍然不能算作可靠预测。PoseBusters 的原始研究正是通过加入物理有效性检查，揭示了单看构象偏差容易遗漏的问题。PoseBusters 原始研究[3]
IFMDock 将这一矛盾放到了生成过程本身。论文指出，经验力场后处理虽然能够改善部分构象的合理性，却增加了计算环节，还可能削弱配体—蛋白相互作用、引起姿态偏移。它提出的解决方向，是在生成时就纳入相互作用约束，使模型朝着合理的结合构象移动。IFMDock 论文[1]
流匹配为这个方向提供了生成框架。它学习一个随时间变化的向量场，将初始分布中的样本输送到目标分布；采样时，通过数值求解相应的常微分方程推进坐标。对分子对接而言，可以把核心任务理解为：在蛋白条件下，学习当前配体的各个原子接下来应向哪里移动。这样的表述把生成质量与推理路径联系起来，也为减少网络调用次数提供了空间。Flow Matching 原始论文[2]
IFMDock 的一个关键选择是起点：使用 RDKit 生成的化学合理构象作为初始分布。这样，模型开始处理的已经是具有分子结构的坐标，后续学习可以更多地围绕结合姿态调整展开。IFMDock 论文[1]
另一个选择是引导信息。论文的方法介绍显示，配体和蛋白先由 EA-Equiformer 编码，距离预测分支估计两者之间的距离矩阵，再依据距离阈值构建稀疏相互作用图。IFMDock 在笛卡尔坐标空间中，将配体—蛋白相互作用约束纳入等变流匹配。IFMDock 方法介绍[1]
从设计逻辑看，这两项选择分别作用于起点和移动方向：合理的初始构象减少了需要修复的分子内部结构，相互作用引导则为配体进入结合环境提供约束。少步推理由此有了更具体的实现思路——让有限的坐标更新承担更明确的任务。研究重点也随之变成：减少更新次数之后，位置准确性与局部几何能否一起保持。
PoseBusters 直接检验后一问题。其原始评估同时考察与参考结合构象的 RMSD，以及化学一致性、分子内部几何和分子间碰撞等检查；通过全部检查的姿态称为 PB-valid。原始研究采用的 2 Å 构象偏差阈值，回答的是位置接近程度，PB-valid 回答的是姿态是否通过相应有效性检查。把两者联合起来，才能识别“位置接近但结构失真”这类预测。PoseBusters 评估方法[3]
DeepDockingDare（DDD）补充了另一种检验视角。这个数据集以评估多样蛋白体系中的小分子结合模式预测为目标，设计了新蛋白、新模态与新结合位点等子集，并把降低与既有训练数据的重叠作为准备原则。它使评价进一步触及不同靶标与结合情境下的表现。DDD 官方数据集说明[4]
在 PoseBusters 和 DDD 两项基准上，IFMDock 作者报告了对接准确性、物理有效性和推理效率的改善，并报告了较好的重复采样表现。这些结果对应着本篇问题的三个方面。IFMDock 实验结论[1]
| 维度 | 论文报告的结果方向 | 对方法设计的意义 |
|---|---|---|
| 构象准确性 | 在两项基准上取得更好的对接表现 | 减少采样步骤的同时维持姿态预测质量 |
| 物理有效性 | 生成姿态的物理合理性改善 | 将合理构象的生成纳入模型目标 |
| 采样效率 | 推理步骤减少，重复采样表现改善 | 同时关注生成路径长度与候选质量 |
评价效率时，还需要把完整流程的计算账算清楚。可以将总耗时粗略拆成输入准备、构象生成、候选排序与构象精修；其中，生成成本又取决于候选数量、每个候选的推理步数和每一步的计算量。减少步数只改变其中一个因素。若每步更昂贵，或者仍需生成大量候选才能选出可靠结果，实际吞吐量的提升就会受到影响。
IFMDock 的方法流程仍包含生成后排序；论文还说明，效率比较中的各方法耗时是在同一硬件环境下重新测量的。这使其效率主张同时涉及采样路径和实际运行成本。IFMDock 方法与实验设置[1]
回到经验力场后处理，真正值得追问的是：修正局部几何时，能否保留原有结合位置和关键接触？当生成模型与后续优化分别处理构象质量时，局部结构改善与整体结合姿态保持可能出现不同步。相互作用引导的价值，在于让结合环境更早参与坐标生成，使局部合理性与整体姿态有机会在同一过程中协调。
对后续对接模型设计而言，可以沿着三个问题继续推进：初始构象是否减少了无效调整，相互作用约束是否提高了每次更新的质量，以及达到同等准确性和有效性时，完整流程需要多少计算。IFMDock 提供了一条把这些问题放在一起处理的路线：从合理起点出发，用结合环境引导少步生成，再以姿态质量和计算成本共同评价结果。