分子之心发布QuantaMind：让AI为分子反应“拍电影”

当人工智能已经能够精准预测蛋白质的静态三维结构，计算生物学的下一个终极命题随之浮出水面：我们能否准确预测它是如何动态工作的？

酶催化过程中质子如何转移？化学键如何断裂与重新生成？药物分子与靶点结合后构象发生怎样的改变？这些发生在纳秒级时间与原子尺度上的动态过程，才是真正决定生命分子功能的关键所在，同时也是计算化学领域长期未能解决的核心难题。

近日，分子之心自主研发的反应性原子建模平台 QuantaMind 相关研究正式发表于《Science Advances》。该研究首次将接近密度泛函理论（DFT）精度的反应性分子动力学推进至数万原子级生物体系和数十纳秒时间尺度；在论文提交后的最新扩展测试中，体系规模进一步拓展至十万原子级与百纳秒尺度。这意味着化学反应不再是只能依赖湿实验事后验证的黑盒，而是在计算端即可提前推演与解析的连续过程。

攻克“精度、速度与尺度”不可能三角

理解分子工作机理的核心在于反应性分子动力学模拟。该方法通过连续追踪原子运动，捕捉质子转移与化学键变化的完整轨迹。然而，在面对复杂生物大分子时，该领域长期受制于“不可能三角”：

• 追求高精度则受限规模与速度：传统量子化学方法（如密度泛函理论 DFT）具有第一性原理级的极高精度，但算力消耗呈几何级增长，很难直接用于大型生物分子体系；
• 追求大体系与长周期则丢失反应信息：经典分子动力学（MD）虽可模拟大体系，但由于采用固定力场，无法描述化学键的断裂与生成；
• 已有机器学习力场泛化不足：虽然在小分子体系表现良好，但在大型生物大分子的长时推演中极易出现累积误差，难以维持长时间稳定性。

计算方法	化学键断裂/生成	能量与力精度	适用体系规模与模拟时长
经典分子动力学 (MD)	无法描述	中等（固定力场）	大体系 / 长时间
量子化学 (DFT)	精准捕捉	高（第一性原理）	极小体系 / 极短时间
现有机器学习力场	部分支持	较高	中等体系 / 稳定性受限
QuantaMind	连续追踪	接近 DFT 精度	十万原子级 / 百纳秒级

作为反应性机器学习力场框架，QuantaMind 通过全新的数据工程方案与模型架构设计，首次将精度、速度与尺度三项指标同时推向了生物医药研发可实用的阈值。

从理论推演到产业级工程可用

计算效率的大幅提升，是反应性分子动力学走出实验室的关键壁垒。

在 NVIDIA A100 80GB GPU 上，QuantaMind 展现出了极高的推理效率：

• 论文基准测试中，推理速度达到 4.2×10⁻⁶ 秒/原子/步；对约 1.8 万个原子的 PET 水解酶体系，每模拟 1 纳秒仅耗时约 20 小时；
• 最新工程优化测试显示，推理速度进一步刷新至 2.1×10⁻⁶ 秒/原子/步，使得十万原子级反应体系单时间步的计算耗时压低至 0.25 秒；
• 模拟周期拓展至百纳秒级别，足以完整覆盖大部分常规生物酶催化循环。

在论文核心实验中，研究团队对包含 17,792 个原子的 PET 水解酶体系实施了 6 纳秒的连续反应模拟，完整重现了水解酶的催化全流程。为了验证模拟精度的可靠性，研究团队从反应轨迹中抽取了 342 个不同构型进行独立 DFT 单点计算，原子力分量的 Pearson 相关系数均超过 0.99，证明模型在复杂轨迹下的势能面预测与基准量子化学计算保持高度一致。

此外，模型还在基础物理化学微观环境中通过了多项严格验证：

• 质子扩散模拟：在 24,001 个原子的水体系中，模拟出水中质子扩散系数为 0.87±0.10 Ų/ps，高度契合 0.94~0.96 的实验参考值；
• 水自解离捕捉：在近万原子水体系中成功捕获自发电离现象，测算得到水的自解离 pH 为 6.34±0.06，极度贴近实验值 6.13±0.03；