AutoDock Vina

Kurzfazit

AutoDock Vina ist der De-facto-Standard für Open-Source-Docking in der Wirkstoffforschung, kostenlos, schnell, gut dokumentiert und in jeder ernsthaften Drug-Discovery-Pipeline mindestens als Baseline vertreten. Mit Vina 1.2 (2021) und Vina-GPU lassen sich heute Millionen Moleküle in Stunden screenen. Schwächen: Die klassische Scoring-Funktion ist für präzises Affinität-Ranking zu ungenau, Proteinflexibilität fehlt, und für Lead-Optimization-Phasen sind kommerzielle Plattformen wie Schrödinger Glide oder FEP+ klar überlegen. Solide 4 von 5 Sternen, als Hit-Identifizierungs-Werkzeug exzellent, als alleinige Lösung für die gesamte Discovery-Kette nicht ausreichend.

Für wen ist AutoDock Vina?

Akademische Forschungsgruppen: Wer an Universitäten oder Forschungsinstituten arbeitet, hat selten Budget für Schrödinger-Lizenzen im sechsstelligen Bereich. AutoDock Vina ist hier der Standard, kostenlos, zitierfähig (über 30.000 wissenschaftliche Zitierungen), reproduzierbar. Für Publikationen ist das nachvollziehbare Open-Source-Werkzeug oft sogar bevorzugt, weil andere Gruppen die Ergebnisse direkt reproduzieren können.

Biotech-Startups in der Frühphase: Kleine Wirkstoffforschungs-Firmen mit Series-A-Budget setzen Vina als Pipeline-Komponente ein, oft im Verbund mit eigenen ML-Modellen. Die Lizenzfreiheit ist hier entscheidend, pro Wirkstoffprogramm würden Schrödinger-Lizenzen schnell sechsstellige Beträge fressen, die im Startup-Budget nicht abbildbar sind.

Computational Chemists in Pharma-Konzernen: Auch große Pharma-Unternehmen mit Maestro-Lizenzen nutzen Vina als zweites Standbein, etwa für ultra-große Bibliotheken (10-100 Millionen Moleküle), wo selbst die schnellste kommerzielle Pipeline an Lizenzkosten und Compute-Skalierung scheitert. Vina läuft hier als „Wegwerf”-Pre-Screening, bevor die teure Software die Top-Kandidaten genauer untersucht.

Pipeline-Entwickler und Cheminformatik-Engineers: Wer Drug-Discovery-Workflows automatisiert (RDKit für Präprozessierung, Vina für Docking, DeepChem für ML-Filter, AlphaFold für Strukturmodelle), bekommt mit Vina eine API-fähige Komponente, die sich sauber in Python-Pipelines einbinden lässt. Der Python-Wrapper macht das deutlich angenehmer als die alten Command-Line-Skripte.

Weniger geeignet für: Lead-Optimization-Phasen mit präzisem Affinität-Ranking (FEP+ oder QM/MM-Methoden sind hier überlegen), Projekte mit hohem Bedarf an Induced-Fit-Docking, Forschungsgruppen ohne Bioinformatik-Expertise (es gibt keine Click-and-Go-GUI), und Spezialfälle wie kovalente Inhibitoren oder Metallo-Enzym-Komplexe, wo Vinas Scoring-Funktion strukturell zu kurz greift.

Preise im Detail

Komponente	Kosten	Was du bekommst
AutoDock Vina (CPU)	0 EUR	Vollständiger Quellcode (Apache-2.0), vorkompilierte Binaries für Linux/macOS/Windows, Python-Wrapper
Vina-GPU (1.0/2.0)	0 EUR	GPU-beschleunigte Variante, ca. 50-100x schneller als CPU bei großen Bibliotheken
SMINA / GNINA (Weiterentwicklungen)	0 EUR	Verbesserte Scoring-Funktionen, GNINA mit Deep-Learning-basierter Bewertung
Compute-Kosten (Cloud, optional)	nach Verbrauch	Etwa 0,50-2 EUR pro 100.000 gedockte Moleküle auf einer A100-GPU
ADFR / Meeko (Vorverarbeitung)	0 EUR	Offizielle Toolchain für Protein- und Ligand-Vorbereitung

Einordnung: Der direkte Lizenzpreis ist null, und das ist real, nicht nur „freemium”. Die echten Kosten verstecken sich in Compute und Personalzeit: Für ein Screening von 10 Millionen Molekülen brauchst du je nach GPU-Setup mehrere Tage und damit ein vier- bis fünfstelliges Cloud-Budget. Vor allem aber: Vina richtig zu nutzen, verlangt einen erfahrenen Computational Chemist (Protein-Vorbereitung, Grid-Box-Definition, Ergebnis-Validierung), die Personalkosten dafür sind der eigentliche Posten. Im Vergleich zu Schrödinger (sechsstellige Lizenzen pro Jahr) bleibt Vina trotzdem klar im Vorteil, wenn das Team das Know-how mitbringt.

Stärken im Detail

Industriestandard mit massiver Verbreitung. Über 30.000 wissenschaftliche Zitierungen, in jedem ernstzunehmenden Cheminformatik-Stack verfügbar, in Lehre und Forschung praktisch allgegenwärtig. Diese Verbreitung ist mehr als Marketing, sie bedeutet, dass jeder Computational Chemist Vina kennt, Best Practices etabliert sind und Probleme in der Community erprobt sind. Onboarding-Zeit für neue Teammitglieder reduziert sich dramatisch.

Hochdurchsatz mit Vina-GPU. Die GPU-beschleunigte Variante (Vina-GPU 2.0, 2023) bringt 50- bis 100-fache Geschwindigkeit gegenüber der CPU-Variante. Auf einer NVIDIA A100 lassen sich in 24 Stunden mehrere Millionen Moleküle screenen, das war vor 2021 noch außerhalb der Reichweite akademischer Gruppen.

Apache-2.0 ohne kommerzielle Einschränkung. Anders als manche „Open-Source”-Tools mit Non-Commercial-Klausel ist Vina explizit auch in kommerziellen Produkten nutzbar. Biotech-Startups können den Algorithmus einbauen und proprietär verwerten, ohne Royalty-Fragen klären zu müssen. Das ist juristisch wichtig und in der Lizenzklarheit nicht selbstverständlich.

Ökosystem-Integration ist mustergültig. RDKit (Cheminformatik), DeepChem (ML auf Molekülen), AutoDockTools, GNINA, DockM8, OpenBabel, alle relevanten Cheminformatik-Werkzeuge integrieren Vina entweder nativ oder über stabile Wrapper. Wer eine Drug-Discovery-Pipeline baut, findet für jedes Bauteil ein offenes Tool, das mit Vina spricht. Diese Integrationsbreite hat kein anderer Docker.

Erprobte Weiterentwicklungen: SMINA und GNINA. SMINA (2013) bringt eine modifizierte Scoring-Funktion mit besserer Performance auf vielen Targets. GNINA (2021) ersetzt die klassische Scoring-Funktion durch ein Convolutional Neural Network, das auf der PDBbind-Datenbank trainiert wurde, bei manchen Targets ein deutlicher Sprung in der Vorhersagequalität. Beide sind Vina-kompatibel und können als Drop-in-Ersatz mit demselben Input genutzt werden.

Reproduzierbarkeit per Default. Mit gesetztem Random Seed liefert Vina deterministische Ergebnisse, wichtig für Publikationen und regulierte Forschung (z. B. präklinische Dokumentation). Kommerzielle Plattformen bieten das oft auch, aber bei Open-Source-Pipelines ist die Reproduzierbarkeit grundsätzlich transparenter, weil der Algorithmus quelloffen ist.

Schwächen ehrlich betrachtet

Scoring-Funktion ist begrenzt präzise. Die klassische Vina-Scoring-Funktion (empirisch, basierend auf X-Score) korreliert moderat mit experimentellen Bindungsaffinitäten. Hydrophobe Interaktionen werden unterschätzt, schwache H-Brücken oft übersehen, Halogen-Bindungen schlecht modelliert. Für Hit-Identifikation reicht das (man will Anreicherung, nicht exakte Werte), für Lead-Optimization ist die Genauigkeit nicht ausreichend.

Keine Proteinflexibilität. Vina behandelt das Zielprotein als starres Gitter und erlaubt nur Ligand-Flexibilität. Induced-Fit-Effekte (das Protein passt sich beim Andocken an) werden nicht modelliert. Für Targets mit flexiblen Schleifen oder konformationellen Schaltzentren (z. B. Kinasen im DFG-Loop) ist das eine ernste Limitation, Schrödingers IFD oder Glide-IFD sind hier deutlich besser.

Hohe Falsch-Positiv-Rate bei großen Bibliotheken. Wenn du 10 Millionen Moleküle screenst und die Top-1000 nach Vina-Score nimmst, sind erfahrungsgemäß viele schwer synthetisierbar, ADMET-problematisch oder PAINS (Pan-Assay Interference Compounds). Ohne nachgeschaltete Filter (RDKit-PAINS, Lipinski, synthetische Zugänglichkeit, ADMET-ML-Modelle) ist die Trefferquote im Wet Lab enttäuschend. Vina ohne Post-Processing-Pipeline taugt nichts.

Kein GUI für Nicht-Techniker. Vina ist Command-Line-Software mit Python-API. Chemiker ohne Programmierkenntnisse stehen vor einer Schwelle, entweder sie lernen Python (lohnt sich), oder sie nutzen Wrapper-GUIs wie AutoDockTools (veraltet, mühsam) oder PyMOL-Plugins (besser, aber begrenzt). Kommerzielle Plattformen wie Maestro bieten hier ein deutlich angenehmeres User-Erlebnis.

Spezialfälle schlecht abgedeckt. Kovalente Inhibitoren (immer wichtiger in der Kinaseforschung), Metallo-Enzym-Targets, Wasser-vermittelte Interaktionen, große Liganden (Peptide, Macrocyclen), bei all diesen Spezialfällen liefert Vina schlechtere Ergebnisse als spezialisierte kommerzielle Tools. Wer in diesen Bereichen arbeitet, braucht Zusatzwerkzeuge oder muss auf andere Plattformen ausweichen.

Keine offizielle deutsche Dokumentation oder Support. AutoDock wird vom CADD-Lab an The Scripps Research Institute entwickelt. Es gibt keinen kommerziellen Support, keine SLA, keine deutschsprachige Dokumentation. Die Community ist hilfsbereit (Mailingliste, Stack Exchange), aber bei kritischen Produktionsfragen ist das kein Ersatz für Vendor-Support. Für regulierte Pharma-Umgebungen ist das ein Punkt, der intern abgefangen werden muss.

Versionsfragmentierung. Vina, Vina 1.2, Vina-GPU 1.0, Vina-GPU 2.0, SMINA, GNINA, QuickVina, die Varianten unterscheiden sich in Scoring-Details und Performance. Welche Variante für welches Problem richtig ist, erfordert Erfahrung und Benchmarking. Für Einsteiger ist die Auswahl überwältigend.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Präzise Bindungsaffinitäten für Lead-Optimization brauchst	Schrödinger (FEP+, Glide)
ML-basierte Nachfilterung und ADMET-Vorhersage willst	DeepChem
Ligand-Vorverarbeitung und Cheminformatik brauchst	RDKit
Workflow-Orchestrierung visuell aufbauen willst	KNIME

Erwähnenswert ohne eigene Tool-Seite: Glide (kommerziell, Schrödinger), GOLD (CCDC, kommerziell), FlexX (BioSolveIT), rDock (Open Source, fokussiert auf RNA-Targets), GNINA (Deep-Learning-Erweiterung von Vina, ebenfalls Open Source) und DiffDock (2023 erschienenes Diffusion-Modell für Docking, akademisch viel diskutiert). Vina bleibt das Standard-Werkzeug für initiale Hit-Identifikation, wer in der präklinischen Discovery arbeitet, hat Vina mit hoher Wahrscheinlichkeit irgendwo in der Pipeline. Für die Lead-Optimization-Phase wechselt man dann meist zu Schrödinger oder ähnlichen Plattformen.

So steigst du ein

Schritt 1: Installiere AutoDock Vina über Conda (conda install -c conda-forge vina) oder lade die vorkompilierte Binary von vina.scripps.edu. Für GPU-Beschleunigung nutze Vina-GPU von der GitHub-Seite des CADD-Labors. Stelle sicher, dass der Python-Wrapper vina (PyPI) installiert ist, er vereinfacht Batch-Runs erheblich. Plane einen Tag für die initiale Toolchain-Einrichtung ein, weil mehrere Hilfstools (Meeko für Ligand-Präparation, ADFR-Suite für Protein) parallel benötigt werden.

Schritt 2: Bereite Protein und Ligand vor. Das Zielprotein braucht eine saubere PDB-Struktur (Kristallstruktur, Cryo-EM-Daten oder AlphaFold-Modell), bereinigt von Kristallwasser und mit korrekten Protonierungszuständen (PROPKA oder Reduce). Liganden als SMILES konvertierst du mit RDKit zu 3D-Konformeren (ETKDG-Algorithmus). Die Bindungstasche definierst du als Grid-Box um den bekannten oder vorhergesagten Binding-Site-Bereich. Tipp: Validiere die Grid-Box mit einem Re-Docking des Kristall-Liganden, RMSD < 2 Å zur Ausgangsstruktur ist die übliche Akzeptanzschwelle.

Schritt 3: Für Bibliotheksscreening automatisiere den Ablauf mit Python. Nutze vina.Vina() als Python-Objekt, iteriere über deine SMILES-Liste und schreibe Ergebnisse direkt in eine SQLite- oder CSV-Datenbank. Filtere Hits mit RDKit nach Lipinski-Regeln (Ro5), PAINS-Filtern und synthetischer Zugänglichkeit, bevor du die Top-Kandidaten für Wet-Lab-Validierung auswählst. Erwarte eine Trefferquote im Wet Lab von 1-5 % bei sauberem Workflow, das ist Standard im Feld und sollte als Realitätsanker dienen.

Ein konkretes Beispiel

Ein Heidelberger CRO-Team screent 500.000 kommerziell verfügbare Verbindungen aus der Enamine-Bibliothek gegen einen neuen Kinase-Target (AlphaFold-Strukturmodell, Konfidenz pLDDT > 85 in der Bindungstasche). AutoDock Vina mit GPU-Beschleunigung benötigt auf einer NVIDIA A100 ca. 18 Stunden für den vollen Durchlauf. Die 2.000 besten Treffer nach Vina-Score werden mit RDKit auf Ro5 und PAINS gefiltert (verbleiben: 340), dann mit einem DeepChem-ADMET-Modell auf vorhergesagte Hepatotoxizität gescreent. Die verbleibenden 47 Verbindungen gehen als Prioritätsliste für die biochemische Primärvalidierung ins Wet Lab, anstatt 500.000 Assays auf 47 reduziert. Compute-Kosten: ca. 80 EUR (Cloud-A100, 18 Stunden). Personalzeit: ca. 1,5 Wochen für Pipeline-Setup, dann 2 Tage pro Target-Screening. Bestätigte Hits im Wet Lab: 3 von 47, eine im Feld übliche Trefferquote von ~6 %, ausreichend für die Start-Charge der Medizinalchemie.

DSGVO & Datenschutz

• Datenhosting: Vollständig lokal beim Anwender, der Code läuft auf eigenem Rechner, Workstation, HPC-Cluster oder selbst kontrollierten Cloud-Instanzen. Keine Datenübertragung an Dritte durch das Tool selbst.
• Datennutzung: Keine Telemetrie, keine Cloud-Komponente, keine Account-Pflicht. Was du dockst, sehen nur deine eigenen Systeme.
• Compliance: Da der Algorithmus rein lokal läuft, sind DSGVO und IP-relevante Anforderungen praktisch trivial erfüllbar, alle Strukturen und Liganden bleiben in deiner Infrastruktur.
• Lizenz: Apache-2.0, frei für kommerzielle und akademische Nutzung, keine Royalty-Verpflichtungen, keine Copyleft-Anforderungen. Achte aber bei abgeleiteten Werken auf die Copyright-Klausel der Apache-Lizenz.
• Empfehlung für Unternehmen: Für Pharma-Konzerne mit IP-sensiblen Targets ist Vina paradoxerweise sicherer als jede kommerzielle Cloud-Plattform, weil die Wirkstoff-Strukturen schlicht nicht das eigene Netzwerk verlassen. Wer auf HPC-Clustern rechnet, bleibt vollständig in der eigenen Infrastruktur.

Gut kombiniert mit

• RDKit, die Cheminformatik-Standardbibliothek für die Vor- und Nachverarbeitung: SMILES-zu-3D-Konversion, ETKDG-Konformer-Generierung, Lipinski- und PAINS-Filter, Substruktursuche. RDKit und Vina sind in praktisch jeder Open-Source-Discovery-Pipeline gemeinsam im Einsatz.
• DeepChem, für ML-basierte Nachfilterung der Vina-Hits: ADMET-Vorhersage (Hepatotoxizität, Bioverfügbarkeit, hERG-Risiko), Aktivitäts-Modelle, Generative Chemistry. Reduziert die Falsch-Positiv-Rate nach Vina-Screening erheblich.
• KNIME, wer eine grafische Workflow-Orchestrierung statt reinem Python-Scripting will, baut Vina-Pipelines in KNIME als visuellen Workflow. Sinnvoll für Teams mit gemischter Programmier-Erfahrung; KNIME bringt fertige Cheminformatik-Knoten mit, die Vina umschließen können.

Unser Testurteil

AutoDock Vina verdient 4 von 5 Sternen. Als Open-Source-Docker ist es konkurrenzlos: kostenlos, schnell (mit GPU), reproduzierbar, in jedem Cheminformatik-Stack integriert und mit den Weiterentwicklungen SMINA und GNINA mittlerweile auch ML-tauglich. Den fünften Stern verliert es durch die begrenzte Scoring-Präzision für Lead-Optimization, fehlende Proteinflexibilität, hohe Falsch-Positiv-Raten ohne nachgeschaltete Filter und das Fehlen kommerzieller Support- und GUI-Optionen. Für Hit-Identifikation und Pipeline-Komponenten in der präklinischen Forschung bleibt Vina die naheliegende Wahl, und in akademischen sowie Biotech-Startup-Umgebungen praktisch alternativlos.

Was wir bemerkt haben

• 2021, Vina 1.2 wurde veröffentlicht und brachte unter anderem verbesserte Scoring-Optionen, native GPU-Unterstützung (Vina-GPU) und eine konsolidierte Python-API. Damit hat sich Vina nach Jahren der relativen Stagnation wieder als ernsthaft weiterentwickeltes Tool positioniert.
• 2023, Vina-GPU 2.0 wurde veröffentlicht und brachte gegenüber Vina-GPU 1.0 noch einmal deutliche Performance-Sprünge sowie bessere Multi-GPU-Skalierung. In Verbindung mit AlphaFold-Strukturmodellen ist damit Whole-Proteome-Docking realistisch geworden, ein Konzept, das vor wenigen Jahren noch undenkbar war.
• 2022-2024, Mit GNINA (CNN-basiertes Scoring) und DiffDock (Diffusion-Modell-basiertes Docking) sind ML-Alternativen gereift, die Vinas klassische Scoring-Funktion in einigen Benchmarks deutlich schlagen. Die Community diskutiert aktiv, ob klassische Docker wie Vina in 3-5 Jahren noch Standard sein werden, aktuell bleiben sie es, vor allem wegen der schieren Geschwindigkeit und der bewährten Pipeline-Integration.
• Mai 2026, Vina bleibt aktiv gepflegt, aber die Release-Kadenz ist überschaubar. Die spannenden Entwicklungen passieren rund um Vina (GNINA, DiffDock, AlphaFold-gekoppelte Workflows), weniger im Kernalgorithmus selbst. Für Anwender ist das gut, Stabilität und API-Konstanz sind in der Pipeline-Integration entscheidender als Feature-Flut.
• Juni 2026, Verifizierung gegen Projektseite und GitHub: Die offiziell von Scripps gepflegte GPU-Variante heißt eigentlich AutoDock-GPU, während die hier genannten Vina-GPU 1.0/2.0 von einer unabhängigen Forschungsgruppe stammen, beide Open Source und Vina-kompatibel. Die aktuelle stabile Kernversion ist v1.2.7 (Februar 2025), die Python-3-Bindings sind offiziell für Linux und macOS verfügbar (Windows nur über die Binary).