一张GPU跑完蛋白反应全过程：AI制药的计算死结，分子之心解开了

医药工业“十五五”规划把创新药摆在核心位置，从靶点发现到临床转化的全链条都在寻求更快、更准的研发工具。AI正从靶点发现到分子设计全面渗透研发流程。

但再先进的设计，最终都绕不开一个底层问题：分子在真实环境中怎样工作、化学键如何变化，才是决定其功能的关键。对抗体药物，这关乎构象变化和质子化状态如何影响分子识别与结合；对酶，则关乎底物如何反应、键如何断裂与形成。

分子结构只给线索，要解释这些过程必须追踪原子间不断变化的相互作用——而这正是过去十几年卡住计算化学的死结，不只是算不准，是根本算不动。分子之心的新成果，第一次让接近量子力学精度的反应性模拟，在完整蛋白体系和单张GPU上跑通。

近日，分子之心团队关于QuantaMind的研究发表于《Science Advances》。他们自主研发的QuantaMind是一个基于物理原理的机器学习力场（MLFF，简单说就是用AI学出来的原子间相互作用模型）。

首次在单张GPU上，它把含17,792个原子的PETase（一种能降解PET塑料的酶）体系完整催化循环跑了6纳秒，精度接近DFT（密度泛函理论，一种高精度量子化学计算方法）的参考结果。

根据分子之心公布的最新进展，QuantaMind可以在单张GPU上以接近DFT的精度，实现十万原子级复杂生物体系数百纳秒的反应性模拟。

我把论文读了一遍。下面不翻译摘要，只说两件事：它真正跨过了哪道坎，以及这件事对行业意味着什么。

它跨过了哪道坎

分子动力学的逻辑很简单：每步算一次每个原子受多大力，按牛顿方程往前推，推几百万步就是一条轨迹。

量子力学计算电子结构，能描述键的断裂和生成，准，但计算量巨大，慢得让人想放弃。

经典力场用经验公式近似原子间作用，每一步的计算量相对较小，能跑几万原子、微秒级的轨迹，但参数是固定的，预先规定了化学键的连接关系，碰到化学反应直接抓瞎。

为了兼顾两者，研究者常用QM/MM（量子力学/分子力学分区）方法：反应中心用量子力学算，周围环境用经典力场算。这让复杂体系的反应研究成为可能，但选多大的量子区、边界怎么过渡，本身就是一门手艺，还可能引入边界误差。

机器学习力场理论上两头都占，可实际用起来有两个老毛病：一是长期稳定性差，模拟跑着跑着就崩了。能量和温度突然飙到不合理的数值，整条轨迹直接作废；二是训练域外可靠性不足，碰到训练集里没覆盖的化学体系，预测精度就明显下降。

QuantaMind要解决的就是这两个毛病。

它的意义不在于又一个更准的MLFF，而在于第一次让基于物理原理的建模，能同时兼顾反应性、长时间稳定运行和计算效率，在复杂生物体系中（十万级原子规模也正好对应一个全长抗体-抗原复合物的尺度）捕捉反应的底层机理，并且仅需单张GPU即可运行。

三个设计选择

论文技术细节很多，真正值得行业外读者记住的是三个关键做法。

1.把反应现场当训练核心。

大多数MLFF的训练数据来自平衡态构型，就是蛋白在水里待着的样子。可化学反应偏偏发生在远离平衡的地方：键在拉长、在断、在重组。训练集里没有这些构型，模型到了反应区域就是瞎猜。

QuantaMind直接塞了三个过渡态数据集、共5,286个过渡态构型进去，覆盖不同类型的催化反应路径。它解决的是一个基础问题：要模拟反应，模型得先认识反应发生时的分子状态。

论文还特意交代，这些数据最初是为别的独立研究项目生成的，不是为这篇论文挑的。这点我反而更信，专门挑过的数据集，过拟合的嫌疑就大了。

图1：QuantaMind在三个过渡态数据集（TS1–TS3）上的精度提升。左：过渡态构型示意；右：加/不加过渡态数据时，能量与力的预测误差对比。

2.让模型自己生产训练数据。

再大的训练集也不可能预先覆盖所有生物体系。QuantaMind采用迭代训练流程：先用模型跑MD（分子动力学模拟），从轨迹里挑出它不熟悉的构型，用DFT补算能量和力，再回填训练集微调。

论文用PETase酰化步骤演示，从轨迹里抽226个构型补数据后，PETase测试集误差明显降了，其他测试集也没掉。

这是从demo走向工具的关键一步：承认模型会在分布外表现不稳，然后给一条自我迭代的流水线。

3.完整反应体系的统一处理，告别QM/MM分区。

MLFF天然对全体系一视同仁，但能在包含完整蛋白的17,792个原子体系中以接近DFT的精度长时间稳定运行，才是真正的门槛。

PETase模拟中全部原子由MLFF统一处理，没有量子区和经典区的人为边界——传统QM/MM最头疼的选区大小、边界衔接这些全靠经验又容易引入误差的问题，被直接消掉了。

当然，是否分区不单独决定精度，模型靠不靠谱最终要和量子化学参考计算及实验结果对比。

它验证了什么

水体系中，QuantaMind复现了Grotthuss“接力式”质子跳跃、抓到纯水自发电离、估计了酸碱中和速率，三项均与实验吻合——真能在动态模拟里看到化学键生灭。

图2：水中质子扩散，最大体系24,001原子，Grotthuss机制，扩散系数与实验吻合。

图3：373K下3,333个水分子自发电离，模拟pH与实验接近。

PETase完整催化循环更有分量：17,792原子全由MLFF处理，覆盖酰化到脱酰化，自由能垒与实验同一量级，原子受力预测与高精度DFT计算高度吻合，单张A100每纳秒反应模拟计算耗时约20小时，已经进入实际研究能承受的成本区间。

图4：PETase完整催化循环示意。

水体系的能力直接延伸到蛋白场景：传统MD需预先固定残基质子化状态，QuantaMind则让质子转移自然发生。

论文用鸡蛋清溶菌酶在磷酸盐缓冲液里跑20纳秒，不加任何质子化约束，预测His15pKa为5.81（NMR实验为5.51，传统恒定pHMD为4.84–5.42），意味着pH依赖的生物过程首次可在真实蛋白里自洽计算。

QuantaMind更像一个整套面向生物药的技术平台，而不只是某个特定反应的模拟器。

图5：HEWL组氨酸滴定，His15质子化自然切换，pKa预测5.81与NMR5.51吻合。

这件事和做抗体的人有什么关系

读到这里，做抗体的人可能会想：PETase催化、组氨酸pKa，跟我有什么关系？

关系比看起来大。关键是QuantaMind展示的底层模拟能力：在模拟原子运动的同时，描述质子转移及其引发的局部相互作用变化。

抗体研发中，不少难题恰好与pH、组氨酸、界面电荷和分子运动有关。

具体来说，至少可以看到五条值得关注的潜在应用路径。

pH依赖的结合和解离。

抗体在血液pH7.4结合抗原，在内体pH5.0–6.0发生解离，这是抗体PK/PD的核心机制，背后往往是组氨酸的质子化状态变化。

传统MD要么固定质子化状态分别开展模拟，要么采用恒定pH方法，但需要调试大量参数。

如果QuantaMind能够实现组氨酸质子化自发发生，就可以更自洽地观察抗体–抗原界面在不同pH下的动态变化：哪些组氨酸会随pH降低发生质子化，如何改变界面氢键网络，并驱动抗原解离。

这对pH-switchantibody的设计、内体释放效率优化具备直接价值。

值得一提的是，分子之心在公开报道中已披露相关研发探索：在一项结合QuantaMind与其他AI设计模型的pH敏感抗体项目中，一款候选抗体在pH6.0下的解离速率约为pH7.4下的62倍，表现出显著的pH响应。

FcRn循环。

IgG的Fc段和FcRn的结合严格pH依赖，内体酸性下结合，血液中性下释放，这个循环是IgG长半衰期的基础。

FcRn结合界面涉及多个组氨酸残基。

能自洽模拟pH依赖的蛋白-蛋白相互作用，对理解Fc工程怎么影响半衰期、设计更长半衰期的Fc变体，是一个潜在工具。

组氨酸工程和developability。

抗体开发里经常引入组氨酸突变来调pH依赖结合、改善溶解度或降聚集。

但组氨酸突变对局部微环境、pKa偏移、界面动态的影响，传统计算很难算准，常常要到后期实验才暴露。

一个能自然处理质子化状态的反应性力场，可以在设计阶段更真实地评估组氨酸突变的后果。

说白了，是把一部分developability风险从湿实验往计算阶段挪。

催化反应与蛋白工程。

PETase案例已经证明QuantaMind能跑完整酶催化循环并给出自由能垒。

蛋白酶、糖苷酶、核酸酶这些和生物药相关的酶，机制理解和理性设计同理。

靶点-配体识别与微观信号传递。

在更广的药物研发场景中，局部质子化状态、水分子网络和构象变化，可能共同影响配体识别及蛋白功能。反应性模拟提供了一种观察这些因素如何相互作用的工具。

例如，当实验发现两个配体结合姿势相似、功能却不同，研究者可以进一步考察局部电荷和动态相互作用是否参与其中。

这些场景指向同一个需求：做药的人不仅想知道分子“长什么样”，还想看清它在具体环境中“如何工作”，并据此决定下一步怎么设计。

QuantaMind提供原子尺度动态机制分析的底层能力，分子之心推出的AI原生研发操作系统MoleculeOS则提供了更完整的研发入口：将蛋白设计、结构与性质评估、动态机制分析和实验反馈衔接起来，让模拟发现能够回到设计中，再由实验检验。对研发团队来说，这才是更值得期待的变化：把“看见机制”变成可以反复使用的研发能力。

它还没解决什么

一篇好的技术论文，成果要展示，局限也得说清楚。

QuantaMind目前也有几个可以继续完善的方向：化学覆盖还比较聚焦，训练集主要基于蛋白质数据，扩展到新的化学体系时，迭代训练的闭环就变得尤为关键。

采样方案和自由能面刻画仍有提升空间，PETase用的是一维伞形采样，组氨酸滴定中质子化转换集中在特定时段，pKa的统计稳健性还有待更多数据验证。

水体系中每个模拟盒子只有一个额外质子，单条轨迹只能给出一个扩散系数估计，误差估计可能偏乐观。

没有一条是致命的，但合在一起勾出了它当前的真实能力边界。

我的判断

QuantaMind不是第一个MLFF，也不会是最后一个。

它做对了三件事：以反应为中心的数据策略、工程化的迭代训练闭环、全体系统一处理的勇气。这三件事加起来，让它从学术demo往生产工具迈了一大步，以往只能在“小体系高精度”和“大体系长时间尺度”之间二选一的问题，第一次有机会在真实生物体系里被统一处理。

过去AI和结构模型更多告诉我们分子长什么样、怎么结合；QuantaMind想进一步回答的是，这些原子接下来怎么动、质子怎么转移、化学键什么时候形成或断裂——更精确地刻画化学与原子层面的动态，捕捉决定蛋白功能的物理底层规律。

对药物研发来说，这个方向的价值不在今天就能替代现有计算工具，而在于它打开了一些过去根本算不动的问题：pH依赖的结合界面动态、组氨酸微环境对developability的影响、催化循环的完整自由能图谱……

这些问题长期要么靠实验试错，要么靠简化模型估算，现在多了一个能在真实生物体系里跑的计算选项。

当然，从展示案例走向日常研发，还需要在更多化学体系和复杂抗体场景中检验可靠性，并把模拟能力接入实际工作流程。

但一个门槛已经开始松动：在接近DFT精度下跑一个完整催化循环，正在从昂贵的研究设想，变成可供研发人员使用的计算能力。

参考来源：

Xia S, Zhang D, Shang X, Xu J. Bridging the accuracy-speed divide in reactive molecular dynamics with QuantaMind MD. Science Advances, 2026,12(37): eaeg3595.https://doi.org/10.1126/sciadv.aeg3595.

MoleculeMind.AI-Driven Reactive Modeling Platform QuantaMind Research Published in Science Advances.2026-9-14.

识别微信二维码，添加抗体圈小编，符合条件者即可加入

抗体圈微信群！

请注明：姓名+研究方向！

本公众号所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，不希望被转载的媒体或个人可与我们联系(cbplib@163.com)，我们将立即进行删除处理。所有文章仅代表作者观不本站。