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。

你要把 AutoDock 系的虚拟筛选搬上 GPU，第一个撞上的问题往往不是算法，而是编译：官方 README 一句make DEVICE=CUDA，实测会直接报cuda.h: No such file or directory；仓库自带的五个测试体系里还有两个跑不起来。
这篇用一台消费级 GPU（12 GB 显存、sm_86）机器从零走完 AutoDock-GPU v1.6 的编译、修坑与测评：给出四体系基准（nrun=200 时 1.3–26 秒，盒子大小主导耗时）、NUMWI=64 对 128 的调优实测（小体系快约两成）、v1.4 到 v1.6 的版本沿革，以及与 Uni-Dock、Vina-CUDA、Vina CPU 单核的同机横向对照。读完你能直接抄走编译命令，也知道哪些坑该修、哪些体系该剔除。
文章同时交代了软链修复格点图命名冲突的具体命令、GPL-2.0 许可对闭源集成的约束，以及它"加速的是 AutoDock 4 自己"这一与 Vina 系不可直接比分的边界。

关键字：AutoDock-GPU、分子对接、GPU加速、CUDA编译、虚拟筛选、NUMWI、格点对接、LGA算法

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：三级并行与格点插值 ｜ §3. 特点与边界 ｜ §4. 文献测评口径 ｜ §5. 本地安装实测 ｜ §6. 四体系基准与调优 ｜ §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

AutoDock-GPU 是 Scripps 研究所 ccSb 团队对经典 AutoDock 4.2.6 的 GPU 移植：打分函数、力场参数与 PDBQT 输入格式全部继承 AutoDock 4，只把计算内核搬上加速器。它同时维护 OpenCL 与 CUDA 两条实现路径，前者可跑 NVIDIA、AMD、Intel 乃至国产 DCU 与多核 CPU，后者专门深挖 N 卡；同一份代码编译期用DEVICE=切换。

版本沿革（GitHub Release 时间线）：v1.4（2021-05，加入柔性残基 flexres）→ v1.5（2021-08，大版本）→ v1.5.3（2021-12，Apple M1 适配与硼原子类型）→v1.6（2024-11，当前 Major release）。本文实测基于 v1.6（commit be06a13，2026-08）。许可证为 GPL-2.0——比 Vina 生态常见的 Apache 2.0 严格，闭源商用集成前要过合规。

§2. 原理：三级并行与格点插值

AutoDock 4 的搜索算法是拉马克遗传算法（Lamarckian Genetic Algorithm, LGA）：种群内每个个体做 Solis-Wets 局部搜索，能量评估占掉绝大部分耗时。GPU 化利用了三层天然并行：run 之间（nrun 次独立对接互不依赖）、个体之间（种群内个体互不依赖）、个体内部（单次能量评估的原子对循环向量化）。能量评估本身靠预计算的格点图（grid map）做三线性插值，GPU 上再叠加纹理内存加速——这是它移植成本低、跨平台好的根本原因：没有改变打分函数，只改了执行位置。

编译期参数NUMWI决定每个工作组放多少工作项，直接影响占用率；官方对现代显卡的建议是"试 128 或 64"——本文 §6 给了实测对照。

§3. 特点与边界

特点：跨厂商可移植性是对接引擎里最好的（OpenCL 路径覆盖非 N 卡）；支持批量模式（--filelist）与柔性残基（--flexres）；输出兼容 DLG/XML 双格式，XML 可回转 DLG 做接触分析。

边界：它的打分是 AutoDock 4 数值体系，与 Vina 系（vina/vinardo 打分）分数不可直接比较，命令行也不兼容 Vina 语法——同一批分子想跨引擎对比，要分别准备 map 与 pdbqt。另外它是"单受体多配体"模型，每次切换受体都要重新生成格点图。

§4. 文献测评口径

官方 README 的口径：相比串行 AutoDock 4.2（Solis-Wets），四核 CPU 提速约 4 倍、GPU 提速约 56 倍。JCTC 2021 论文口径：三级并行下最高 350 倍（对单线程 CPU 实现）。两个数字都真实，差异来自基准与并行档位——引用时注明"对谁、开几级并行"。需要注意的是，这些倍数的分母都是AutoDock 4 自己，不能拿去和 Vina 系的千倍加速（分母是 Vina 单核）直接排序。

§5. 本地安装实测

实测环境（specs）：

第 0 步：系统依赖。CUDA Toolkit 的安装不展开（官方 runfile 或 deb 包均可），装完确认/usr/local/cuda/bin/nvcc存在即可：

sudoapt-getinstall-ybuild-essential# 走 OpenCL 路径再加装（CUDA 路线可不装）：sudoapt-getinstall-yopencl-headers ocl-icd-opencl-dev

第 1 步：获取源码：

gitclone https://github.com/ccsb-scripps/AutoDock-GPU.gitcdAutoDock-GPU

第 2 步：编译 CUDA 版（关键：显式传 GPU_INCLUDE_PATH/GPU_LIBRARY_PATH，见坑 1；TARGETS=86 对应 sm_86，其他卡换成自己的算力号）：

exportPATH=/usr/local/cuda/bin:$PATHmakeDEVICE=CUDANUMWI=128TARGETS=86\GPU_INCLUDE_PATH=/usr/local/cuda/include\GPU_LIBRARY_PATH=/usr/local/cuda/lib64# 产物: bin/autodock_gpu_128wi# OpenCL 跨厂商版: 把 DEVICE=CUDA 换成 DEVICE=GPU, 其余参数不变, 产物同名

第 3 步：冒烟验证（仓库自带 1stp 体系，10 次 LGA 应在 1 秒内出结果）：

./bin/autodock_gpu_128wi-Minput/1stp/derived/1stp_protein.maps.fld\-Linput/1stp/derived/1stp_ligand.pdbqt--nrun10--resnamsmoke# 预期输出含: "Job #1 took 0.27 sec ..." 与 "best inter + intra -9.99 kcal/mol" 量级

坑 1（必踩）：host 侧编译报cuda.h: No such file or directory。根因是 Makefile 通过GPU_INCLUDE_PATH/GPU_LIBRARY_PATH两个变量把 CUDA 头文件传给 host 编译器，裸make DEVICE=CUDA时它们为空。显式传入即解（见上命令）。

坑 2：--res参数不存在。不少旧教程用--res out.xml，v1.6 已改名为--resnam；参数写错时程序直接打印 usage 退出，耗时 0.2 秒，容易被误以为"跑完了"。

坑 3：仓库自带测试体系五个里两个跑不起来。3tmn/7cpa 的 fld 文件引用rec.*.map，实际文件名是<pdb>_rec.*.map，报Can't open grid map rec.A.map；修法是补软链：

cdinput/3tmn/derivedforfin3tmn_rec.*.map;doln-sf"$f""rec.${f#3tmn_rec.}";doneln-sf3tmn_protein.maps.xyz rec.maps.xyz

坑 4：1ac8 体系配体损坏。1ac8_ligand.pdbqt触发HETATM or ATOM line is too short，属于仓库数据问题，直接剔除出基准集。

§6. 四体系基准与调优

四个体系（配体 18–43 原子，盒子 9.4×8.6×12.4 Å 至 22.9³ Å，spacing 0.375），CUDA 路径、NUMWI=128，Job 纯计算耗时：

一、盒子大小主导耗时——7cpa 与 3tmn 同为 22.9³ 大盒子，但 7cpa 慢 18 倍，格点数与评估数才是瓶颈，nrun 从 200 加到 1000 也只多 4%–21% 的时间（3tmn 仅 +4%、3ce3 约 +21%）；
二、NUMWI=64 比 128 略优（1stp 1.09 对 1.34 s，7cpa 24.9 对 26.4 s），验证了官方"现代卡试 64"的建议；二点五、OpenCL 与 CUDA 两条编译路径性能打平——同卡重编 OpenCL 版（make DEVICE=GPU）跑同一批体系为 1.37/2.14/1.54/27.4 s，与 CUDA 版差距在 8% 以内，跨厂商可移植性几乎是免费的；
三、同机横向对照（同配体同盒子、各自打分体系）：Uni-Dock v1.2.0 跑 1stp 2.44 s、Vina-CUDA v1.1 跑 1.17 s、AutoDock Vina 1.2.7 CPU 单核 12.3 s——AutoDock-GPU 的定位是"AD4 生态的加速器"，追求吞吐时应优先 Vina 系（详见本系列其余篇）。

§7. 结论与选型建议

如果你的存量流程是 AutoDock 4（map、dpf、pdbqt 全套），AutoDock-GPU 是零迁移成本的选择：编译两分钟、坑集中在文件命名与参数改名，修完即用。
如果你是从零搭虚拟筛选管线、且不绑定 AD4 打分，直接上 Vina 系 GPU 引擎更快——本系列后续篇会给出同机对照。跨厂商算力（AMD/国产卡）场景下，它是目前唯一成熟的开源选项。

系列导航：专栏全集gnina系列—— 下一篇：Uni-Dock 实战测评。

更多专栏：

我的专栏