人工智能（AI）在生物制造与药物研发领域的应用越来越广，但AI能快速生成和预测，却往往无法解释 “为什么”，这种“黑盒”特性在药物研发等领域正成为信任瓶颈。
近日，我国科研团队的最新研究为突破这一瓶颈提供了新工具。相关成果以《利用 QuantaMind MD弥合反应分子动力学中的精度-速度鸿沟》为题发表于《科学进展》。
研究发现，QuantaMind可以让AI在原子尺度上完整“看见”质子转移、化学键断裂与生成乃至完整酶催化循环的发生过程，从而将AI分子研发从“预测结果”推向“理解过程”，为药物研发与酶工程提供可解释、可验证的机制分析能力，推动AI生成与物理机制协同的研发新范式。
据悉，AI驱动反应性原子建模平台QuantaMind为上海分子之心科技集团有限公司自主研发，是一套反应性机器学习力场框架。它要解决的不是如何准确预测单个分子构型，而是如何在大型生物分子体系的连续模拟中，稳定、可靠地描述质子转移以及化学键的形成与断裂。其核心是围绕反应过程重构数据组织与训练方法。
研究表明，与主流机器学习力场（MLFF）仅局限于从平衡或近平衡构象中学习相比，QuantaMind专门纳入非平衡构型与以过渡态为中心的反应数据，使模型能充分覆盖反应前、中、后的各类状态，从而精准刻画复杂生物体系的反应过程。
目前，QuantaMind的能力已在四组硬核验证中得到系统印证：从基础输运性质，到罕见化学事件和蛋白质中的动态质子化，最终进入复杂酶反应，形成跨越基础化学过程与复杂生物分子反应的系统验证链。
研究人员表示，QuantaMind率先将反应性MLFF拓展至大型、显式溶剂化生物分子体系和完整酶催化循环，同时兼顾了计算效率与长时模拟稳定性，为研究大型生物分子体系中的反应过程提供可靠的动态模拟结果。
文章指出，QuantaMind有望成为分子研发的“数字试验场”，将机制判断和方案优选前移到计算端、优化实验资源配置，主要将落地两大场景：酶工程与生物制造、药物与生物分子研发。
在酶工程与生物制造领域，QuantaMind可识别催化过程中的关键参与者、关键变化与限速步骤，从结构认知走向机制驱动设计，助力酶工程和生物制造从“改了再测”的试错转向“先算再测”的定向验证，减少无效实验消耗。
在药物与生物分子研发领域，QuantaMind能模拟分子作用的动态过程，理解结果差异的机制，为候选对比和下一轮设计提供依据。它可直接用于pH敏感性分子优化，辅助pH敏感抗体、蛋白等的设计。该能力已进入分子之心的实际研发流程，价值获得验证。
0
评论 (0)