该工作流已在 Linux x86_64 CPU 环境使用公开 1EVE/E20 示例完成实际计算验证。GNINA 1.3.3 生成三个 pose,PoseBusters 0.6.5 检查全部构象,PLIP 2.4.0 完成全部构象的分析且化学身份一致。这是计算工作流验证,尚未进行科学实验或生物活性验证。
实测环境为 Ubuntu 24.04.2、Linux x86_64、2 vCPU、约 8GiB 内存、Python 3.12.15。项目使用独立环境和固定 GNINA 程序,SHA-256 为 3340c1f49cd3c7c84d8699182a1c6af13c7fa2a22448d1204640446106f72172。虽然使用 --no_gpu,该程序仍需 CUDA/cuDNN 加载库;这些库以及 Open Babel 所需 Xrender 均仅安装在项目环境,由独立环境设置加载路径,无需系统 CUDA 驱动或修改全局 Python。本机此次 GNINA 命令约耗时 45 秒,仅为单次观测,不保证其他运行时间。所记录的安装及共享缓存约占 8.3GiB;这是单次环境观测,不是最低存储需求。下载需要联网,不宣称通过隐私审计。
Docking/CNN 分数不等于实测亲和力、IC50 或药效。PoseBusters 检查启用的合理性与参考标准,PLIP 根据输入坐标按规则识别接触。单一已知口袋案例不证明普遍对接准确性、跨平台兼容性或生物活性。未独立计算预测 RMSD 数值,只保留 PoseBusters 配置中的 RMSD 阈值布尔结果。中性配体、删除水/糖基和保留末端截断均限制解释。
安装时间为估计值,并非安装总耗时实测结果。