最初のステップでは、ユーザーは隣接するbrowseボタンでドッキングするタンパク質ファイル（硬い部分）を選択する必要があります（図3）。 タンパク質ごとにウィンドウが開き、タンパク質の柔軟部分や最適化されたグリッドパラメータ（中心座標とボックスのサイズ）、網羅性、出力ポーズ数などの必要なデータを入力することができます。 3690>
座標とフレックスファイルをインターフェースに渡す。
リガンドが.pdbまたは.mol2形式の場合、ドッキングシミュレーションを開始する前に.pdbqt形式に変換する必要があります（図4）。
PDBや.mol2からPDBQT形式に変換する。
最後のステップで、RUNタブをクリックしてドッキングを開始させる。
実験の進行状況は、「running receptor」と「running ligand」ボックスのテキストボックスに表示され、ドッキングされたファイル数とスクリーニングに提出されたファイル数の合計が表示されます。 実験が正常に終了すると、ポップアップウィンドウが表示されます。
その後、ユーザーは「次へ」オプションをクリックして、結果を分析することができます。
リガンド効率は、大規模な化合物データセットの仮想スクリーニングにおいて、有用なリード分子を選択するために最近導入されたパラメータである。 リガンドは、ドッキング実験で得られたΔG値（ドックスコア）をリガンドに存在する非水素原子の数で割った「リガンド効率」というパラメータで効果的に比較することができる。
リガンド効率は以下の式で計算されます。
ここでΔG = RT In Kd、Nは非水素原子の数です。 結果は、以下に示すように、化合物のLEと標準のLEの比率で表されます。
リガンドの選択は条件δLE > 1またはδLE ≥ m+3σ
ここでm = 平均値δL E = L E l i g a n d δLEはδLE > 1またはδLE ≥ m+3σ
に基づくものである。 δLE＝標準偏差
リガンドとタンパク質の相互作用の問題は、偽陽性または偽陰性の結果をもたらすことがある。 最近、この問題を解決するために、以下の式に基づく結果の正規化を利用した数学的アプローチが成功した。 ここでは、ドッキングシミュレーションの結果を分析するために、同じものを実装しています。
ここで V = 配位子に割り当てられた新しいスコア値
Vo = ドッキングシミュレーションで得られた結合エネルギー値
ML = 結合エネルギー値
L = 配位子への割り当てられた新しいスコア値
V = 配位子への割り当てられた新しいスコア値
Vo = 配位子への割り当てられた新しいスコア値
MR = それぞれのリガンドについて、すべてのタンパク質で得られた平均スコア値
今回の解析では。 V値＜5964＞1またはV≧m+3σのリガンドを選択した。 ここで、mは与えられたターゲットタンパク質に対して得られたV値の平均、σは標準偏差です。
解析終了後、結果はCドライブに作成した「tempdoc」というフォルダに配置することができます。 result1、result2、result3、result4というフォルダは、それぞれδLE（> 1）、δLE（≥m+3σ）、V（> 1）、V（≥m+3σ）解析で選択したリガンドを表しています。 ドックスコアと結果は、C-driveに作成した “results.mdb “で見ることができる。
results.mdb fileの集計結果
マニュアルもダウンロード可能で、チュートリアル用のファイルと共に提供されています。 ソフトウェアに慣れるために、2つのデータセットが提供されます。 113分子からなるデータセット（チュートリアルファイル2）は、プロテインキナーゼ酵素阻害活性を持つ海洋資源から選択され、RCSBウェブサイトから入手した21のキナーゼに対してドッキングされています。 このソフトウェアは、潜在的なリガンド（チュートリアルファイル2を参照）を特定することができ、そのうちの1つは医薬品開発のための潜在的分子であると考えられる。 https://sourceforge.net/projects/audocker/files/?
オペレーティングシステム。 Microsoft Windows XPおよびWindows 7
プログラミング言語。 .net framework上のC#
その他の要件。 Python 2.5、Microsoft .net フレームワーク、AutoDockTools（最新版）、Vina、PyMolがプリインストールされていること。 ADT、.netフレームワーク、Pythonのマニュアルを参照して、インストールとシステムの互換性を確認してください。 3690>
ライセンス: フリー
学外での使用に関する制限事項。 なし