人类距离真正理解生命还有多远？
离子穿过通道、药物分子穿过细胞膜、蛋白质折叠成特定构象……生命体从来不是一张静态的蓝图，要探究其中的奥秘，实验之外，计算模拟是另一只眼睛。
近年来，AI模型的介入正在不断刷新分子动力学模拟的边界，让精度与规模兼得的目标越来越近。
但这还远远不够。从“跨过鸿沟”到“可以日常使用”，仍需进一步降低训练成本、提高泛化能力、提升推理速度。
至知创新研究院UBio团队发布的UBio-MolFM v1.5，在这个方向上又往前迈进了一大步。
UBio-MolFM是以量子化学精度、在真实生理环境下对生物大分子进行分子动力学模拟的机器学习原子间势函数。在推理时能以接近经典力场量级的速度，给出接近量子化学精度的预测，而且不需要针对每一个新体系重新调参，同一套权重就能用在不同的分子和环境里，让第一性原理生物分子动力学模拟，不再是“奢侈品”。
先说说背景：精度与规模的取舍
过往分子动力学模拟长期面临一个基本矛盾：精度与规模不可兼得。
量子化学方法（如DFT）能够准确描述电子结构和化学键的断裂与生成，但计算成本高昂，通常被限制在数百个原子，也难以纳入显式的溶剂与膜环境。
经典力场走的是另一条路。它通过预先设定固定不变的原子电荷和键长参数，将模拟规模推至几十万乃至上百万原子，速度也快得多。但代价同样明确：这些参数是对真实物理势能面的近似，误差在具体体系中难以先验评估，而生物分子中微小的能量差，有时恰好是构象转换、配体结合、离子选择性的决定区间，往往落在这些误差的覆盖范围之内。
为了解决这个矛盾，近年来机器学习的出现已经在重新定义这道选择题的边界。基于深度学习的势函数能够在保持量子力学精度的同时，将模拟尺度提升数个数量级。“精度与规模”的取舍不再是绝对的，这道题正在持续被解开与突破，UBio-MolFM的出现，成为这条探索路径上一个新的里程碑。
△分子动力学方法在精度与规模上的经典取舍。
0
评论 (0)