卷翻微软谷歌，登顶Science子刊！AI4S「不可能三角」，被中国独角兽打破了

今天的AI，已经越来越擅长让科学研究者提前看到答案。

它可以预测蛋白质结构、生成候选分子，甚至在实验开始之前，就帮助研究者从海量可能性中筛选出更可能成功的方向。

但真实的药物研发，并不是一张静止的照片，而更像一部符合物理规律的“原子电影”。仅靠一帧帧结果拼凑远远不够，我们还需要直接“拍摄”反应发生的整个过程。

一个候选分子与靶点结合之后，原子如何运动？为什么看起来相似的两个分子，会表现出不同的结合与反应行为？一个质子的转移、一根化学键的形成或断裂，又可能怎样改变最终结果？

这些问题，在现有模型中很大程度上仍藏在黑箱里。如何让AI不仅预测结果，还能还原分子如何运动、化学反应如何发生，正在成为AI for Science最难啃的问题之一。

最早向这座高峰发起挑战的，几乎都是拥有庞大算力、数据和长期科研积累的科技巨头。

从Meta的UMA、微软的MatterSim，到Google DeepMind的GEMS，全球头部AI机构都在探索同一条技术路线：用大规模量子化学数据训练机器学习模型，再用AI推理去替代大量昂贵的第一性原理计算。

其背后同时横跨量子化学、分子动力学与人工智能，考验着机构长期以来的数据、算力和科研积累。在中国，具备足够技术积累向这一难题发起挑战的AI4S企业并不多，分子之心正是其中之一。

该公司由“AI蛋白质折叠奠基人”许锦波教授创办，团队长期深耕蛋白质基础模型与原创算法研究，拥有难以复制的技术起点。

旗下AI原生研发操作系统MoleculeOS已经将原本分散的模型和工具组织成一套可执行的研发流程，融入生物创新药与合成生物制造的真实研发场景。

如今，瞄准着利用原子级模型理解机理、帮助研究人员从动态视角判断AI方案可行性的目标，分子之心推出了反应性机器学习力场框架QuantaMind，相关研究发表于《Science Advances》。

论文链接：

https://www.science.org/doi/10.1126/sciadv.aeg3595

该工具能让AI 在原子尺度上完整“看见”化学反应发生，直接追踪质子转移、化学键形成与断裂、反应中间体生成等过去难以在大型生物体系中直接模拟的过程，帮助研究者从结果进一步追溯背后的作用机制。

它能覆盖从小分子、药物分子到蛋白质、酶等复杂生物体系。在最新的内部实测中，已经能够在十万原子级体系进行反应性模拟，并捕捉百纳秒尺度的动态轨迹。

QuantaMind的发布推动了AI4S工具从设计结构到模拟机理的历史性跨越，也让分子之心成为了国内首家同时具备蛋白质生成、结构预测和反应性模拟完整产品能力的AI4S企业。

集齐「精度 × 速度 × 尺度」的不可能三角

想要看懂一整部原子电影，绕不开分子动力学（MD）。但该领域长期存在一个「不可能三角」：高精度、成本可控、体系够大，一个模型很难同时兼顾。

算得准的跑不远，跑得远的算不准；二者兼备，体系往往就做不大。

QuantaMind所做的，正是让这个不可能三角瓦解。核心的一步，是抓住了化学反应中最难、也最关键的瞬间——过渡态（TS）。

常规的经典力场难以自然描述成键、断键等真正的化学反应，现有的许多MLFF也主要从平衡或近平衡构象中学习，对真正发生反应的区域覆盖不足。

而QuantaMind不只学习稳定结构，也专门学习反应发生时能量和原子受力的变化，从而提高对成键、断键等反应过程的描述精度和模拟可靠性。

这也成为QuantaMind向「不可能三角」的第一角—— 精度发起进攻的关键，首先解决了结果是否可信的问题。

在技术线路上，QuantaMind用MLFF（机器学习力场）把高精度的量子化学方法DFT（密度泛函理论）请来做AI的老师。

先用DFT计算不同分子构型下的能量和原子受力，再让AI学习其中的规律，就能以更低的计算成本，快速逼近DFT的计算精度。

作为“老师”的DFT理论早在六十多年前就已经成型，却始终难以大规模商业化应用。背后真正的难点是「不可能三角」中的第二角—— “速度”。

传统DFT算得太慢、也太贵，而分子世界的时间尺度非常小，即便只模拟1纳秒的动态轨迹，也大概要将体系连续推进约100万步，计算成本会迅速失控。

QuantaMind把每一步重新做量子化学，替换成了AI推理。在最新内部实测中，单张NVIDIA A100 80GB GPU上，推理速度达到约2.1×10⁻⁶秒/原子/步，相较论文版本推理吞吐又提升近一倍。

对于十万原子级反应体系，单位时间步的模拟耗时被压缩至约0.25秒，推理效率超过当前MLFF的SOTA水平。

从算得准走向算得起，反应性AI模拟开始真正进入研发流程，去迎接「不可能三角」中最后一角 —— “尺度”的考验。

团队通过独创性算法优化，将尺度的天花板一层层往上推。在 发布于《 Science Advances》的研究中，团队完整展示了如何把反应性MLFF从小分子反应推向大型、显式溶剂化的生物分子体系，向真实药物研发环境迈出了关键一步。

从万原子级论文验证

到十万原子级真实药物研发场景

在论文中，QuantaMind的验证路径沿着体系规模与过程复杂度逐级推进，恰好对应着药物和生物分子研发中不断深入的科学问题：

面对最基础的“质子转移”，QuantaMind交出的「精度」答卷相当亮眼，预测的质子扩散系数偏差值，相比同类机器学习力场降低了约87%。

面对更难的水化学问题，QuantaMind成功捕获了多次自发电离事件，最终估算的反应速率常数，与实验报道值处于同一数量级，验证了模型在描述微观极短时间动态反应上的精度与稳定性。

此外QuantaMind还攻破了蛋白质这道基础题，在无需预先指定质子化状态的情况下，真实还原了蛋白质对pH变化的响应过程。

真正的挑战，则是PET水解酶的完整酶催化循环。

在17,792个原子的复杂生物体系中，QuantaMind连续追踪纳秒级完整反应过程，观察到亲核进攻、质子转移、酯键断裂以及关键中间体的生成，完整复现了一次酶催化循环。

更重要的是，这套模型还能继续迭代。模拟轨迹一旦暴露出模型覆盖不足的构型，就可以补充DFT计算、重新训练，形成一套不断自我强化的数据飞轮。

据了解，在项目内部的最新测试中，QuantaMind已经进一步受益于这套数据飞轮，实现了能力上限的进一步突破，成功进入到更丰富的真实研发场景中。

在生物制造领域，过去的设计主要看结构、看结合。而QuantaMind这类原子级模型一旦得到广泛应用，生物分子的反应过程将从实验室里繁琐、昂贵的反复试错，直接被搬进计算端，突变筛选也将从“看结构”走向“看机制”。

在最新内部扩展测试中，QuantaMind目前已经能对由四个蛋白质单元拼装而成的十万原子级体系——苯丙氨酸氨裂合酶（PAL）展开反应性模拟。

并且，分子之心已经在产业项目中使用QuantaMind，发现了多种复杂催化酶的反应机理，并对项目后续的突变选择起到了关键的指导作用。

药物研发的突破，则更现实，也更直观。

对于长期只能依赖实验反复摸索的成键类反应，QuantaMind可以直接在计算端复现反应路径，帮助药物化学家提前判断一个共价warhead能否成键、从静态的结构预测走向动态的反应选择性评估；

而对于受体口袋残基质子化状态敏感的药物设计任务，QuantaMind也能捕捉pH变化、突变等因素如何影响关键残基的质子化状态，进而预测结合模式与选择性的变化。

在一项以延长半衰期为目标的pH敏感性抗体设计任务中，分子之心团队将QuantaMind与其他AI设计模型协同使用，大幅提升了抗体研发的效率和准确率。实验测试显示，得到的一款候选抗体在pH 6.0下的解离速率约为pH 7.4下的62倍，表现出显著的pH响应。

这让研究人员发现，能利用不同pH环境下的这种解离差异，后续可以更有针对性地调节其与靶标的结合和释放，有望为延长抗体在体内的有效循环时间，提供一条新的设计路径。

当“原子级电影”可以被逐帧放大解析，研究团队在药物研发过程中将不再只反复盯着某个构象、某个对接结果或者某个性质分数，而是可以进一步追踪质子化状态、关键残基以及配体在动态过程中的变化。

过去，研究人员只能依靠不同结构预测、计算结果和实验表型进行交叉判断，现在则能够进一步追问：为什么不同候选会走向不同结果？

甚至能精准定位，究竟是哪些原子尺度上的变化，影响了药物分子的关键性质与行为。

当药物研发的方式被AI重新定义，其成本和效率都将得到大幅提速，甚至有望在目前尚未涉足的搜索空间中挖掘出全新规律，推动更多药物分子发现从实验室走向临床应用。

打通「设计-预测-理解」的全链路

原子级反应性模拟，不是把结果拆分到原子尺度这么简单。更现实的变化是，过去很多只能靠结构、性质分数和实验结果反推的东西，现在多了一层可以直接观察的动态过程。

这也让分子之心此前分散在不同环节的能力开始形成一条完整链路。

前端，AI负责提出候选；中间，模型完成结构预测和方案评估；再往下，原子级模拟进一步回答分子如何运动、反应为何发生；最后，再交给实验进行验证。

这条链条到底要解决什么问题，分子之心创始人许锦波教授给出了自己的答案：“过去，AI 技术学会了回答分子'长什么样'；下一步，我们希望进一步回答分子'为什么这样运动、为什么这样反应'。”

当过程可以被模拟，机制可以被分析，结果也就不再只是一个等待实验验证的答案，而开始成为一条可以追溯、可以解释、也可以进一步优化的科学路径。

原子级模拟的落地，有望把原本要靠数轮昂贵湿实验盲筛、甚至后期机理验证才能发现的隐患，提前搬进计算端去回答。

其改变的将不只是某一款药的研发周期，而是整个行业权衡“值不值得做”的方式，有望让候选分子在进入昂贵的临床试验之前，就能被更早地筛选、纠偏，甚至直接淘汰。

这或许才是AI4S真正走向产业化之后，最值得期待的变化。

点击文末"阅读原文"可直达《Science Advances》论文页面。

—The End—