一張GPU跑10萬原子！分子之心用AI把化學反應“拍”成了電影

這是分子之心最新反應性機器學習力場QuantaMind正在推進的計算尺度。最新擴展測試中，QuantaMind已能夠以接近量子化學計算的精度模擬十萬原子級體系數百納秒的反應，單步計算耗時僅約0.25秒； 而在發表於《Science Advances》的研究中，它已經在一個包含17,792個原子的完整PET水解酶體系中連續模擬6 ns，讓質子轉移、斷鍵、成鍵，直到完整酶催化循環，都在計算機裡一步步清晰地發生。AI不只是給分子“拍照”，現在開始給真實化學反應“拍電影”。

困局：精度、時間、規模的不可能三角 要把“拍電影”變成現實，首先得跨過分子模擬領域長期存在的一個“不可能三角”，即精度、時間、規模三者不可兼得——要精度就得犧牲規模和時間，要規模就得犧牲精度。過去，分子模擬主要依靠兩類計算方法，但它們各自只能解決“不可能三角”的一部分。一類是高精度計算（如量子力學方法），能看清化學反應的每一個細節，但計算量巨大。在大型體系上的算力成本和耗時都很高，實際研發中難以直接運行這類計算，通常只能算幾百上千個原子、幾萬億分之一秒的極短瞬間。另一類是傳統分子模擬，能跑數萬乃至百萬原子、更長的時間，規模最高可達前者的上千倍，但它假設分子結構是固定的，不會成鍵斷鍵。

酶催化、酸鹼反應這類過程，它天然“看不見”。近年來興起的AI分子模擬模型，試圖用神經網絡學習高精度計算數據，兼顧精度與速度，已成為國際前沿機構持續投入的熱點。但多數模型的訓練數據只來自分子穩定狀態下的樣子，沒見過“反應正在發生的那個瞬間”，遇到化學反應就露怯；而且在大型生物體系的長時間模擬中難以維持穩定性，規模上仍受限。破局：三步讓AI同時拿到精度、速度和規模 針對上述AI模型的短板，QuantaMind做了三件事，即在保持精度的同時，把速度和規模提上去。其一，讓AI大量看“反應正在發生”的瞬間。

論文用5,286個化學反應的關鍵瞬間數據訓練模型，讓AI真正見過“化學鍵正在斷裂、正在形成”的樣子。其二，讓AI學會整合不同來源、不同精度的計算數據。模型把各種數據來源的“風格”作為特徵學進去，訓練時還能按數據質量分配權重。其三，讓AI自己發現薄弱環節，再針對性補課。針對特定的蛋白質和酶體系，先用模型跑模擬，再對AI拿不準的構型做高精度計算、補充訓練，如此循環。為了進一步提升模擬在實際研發場景的可用性，QuantaMind把穩定性也作為指標攻了下來：長時間模擬中，體系的總能量漂移極小，可穩定支撐數百納秒的連續模擬而不崩潰。

三道基礎反應“壓力測試”：從質子跳躍到酸鹼中和 QuantaMind首先面對三道性質截然不同的基礎反應測試： 質子在水中的連續跳躍（需要上萬次事件積累才能統計收斂）； 純水的自發解離（難得一遇的罕見事件）； 幾乎瞬間完成的酸鹼中和（已知最快的溶液反應之一）。三道測試覆蓋了從慢統計、罕見事件到超快反應的完整譜系，結果均與實驗高度吻合，而且QuantaMind並沒有針對這類反應做專門訓練，全憑通用模擬能力自己學會了。但這些還只是幾千到幾萬原子的小體系測試，真正的大考在後面。進階驗證：蛋白質環境中的酸鹼度感知 更進一階的測試來到真實生物環境：蛋白質中的特定位點會隨酸鹼度改變性質，進而影響蛋白質功能。

傳統模擬需要人工預設這些狀態，而QuantaMind不需要——它將一種蛋白質放入接近真實實驗條件的緩衝液環境中跑了20納秒，讓關鍵位置自己“接”或“放”質子，估算的臨界點（5.81）與核磁共振實驗值（5.5）接近，說明它能描述環境變化如何影響蛋白質的微觀狀態。△組氨酸滴定模擬與pKa估算（來源：論文原圖） 壓軸：1.8萬原子的酶催化全程模擬 如果說前面幾場是“小試牛刀”，那真正的壓軸戲則是PETase，這是一種能降解PET塑料的酶。

QuantaMind對包含17,792個原子的完整體系（PETase蛋白+底物+近5000個水分子）做了6納秒全程模擬：所有原子由AI直接計算，不預設任何反應路徑，完整跑通了酶幹活的全過程。真正難的不是把1.8萬顆原子裝進計算機，而是讓它們連續運動6 ns，並在過程中自然經歷質子轉移、斷鍵、成鍵和完整催化循環。結果與實驗高度一致：反應最慢的一步所需的能量，與實驗中同類酶的測量區間吻合；其他幾步的能量也都能與既有機理研究對上。催化關鍵的微觀結構也被清晰捕捉。論文還從各階段隨機抽取構型，用量子力學級別的計算方法做驗證：吻合度超過0.99。也就是說，AI的判斷和量子力學計算幾乎完全一致。

以前研究者看反應模擬，往往只能看一張張靜態劇照；這一次，QuantaMind直接拍出了一部“催化電影”——1.8萬原子、6納秒、全程不間斷，而且是在真正大型、複雜、接近真實生物環境的體系中。而據分子之心最新披露，這個規模如今已被推到十萬原子——是論文中1.8萬原子體系的5倍以上，而且單張GPU即可運行，不需要昂貴的超算集群，大幅降低了這類模擬的計算基礎設施門檻。△PETase完整催化循環與自由能剖面（來源：論文原圖） 從“摺疊”到“反應”：分子之心把AI推向分子動態世界 論文通訊作者許錦波，是公認的“AI蛋白質摺疊奠基人”。

2016年他提出的RaptorX-Contact，是全球首個有效的AI蛋白質結構預測算法，後來AlphaFold的早期版本也建立在其核心思想之上。他創辦的分子之心成立於2022年，定位是AI蛋白質設計平臺；2026年6月完成A輪系列融資、累計逾億美元；7月正式開放AI原生的生物經濟操作系統MoleculeOS，讓生物研發像使用操作系統一樣調用AI能力。如果說過去十年AI改變的是“如何預測和設計分子結構”，QuantaMind所代表的方向，則是進一步讓AI進入“結構如何運動、反應如何發生”的動態世界。

加上此前在蛋白質生成、結構預測和從頭設計上的積累，分子之心已構建起從“生成-預測-設計-機理理解”的完整技術鏈路。在論文基礎上，分子之心最新披露：QuantaMind正在把三個邊界同時往外推，體系規模從萬原子拓展到數十萬原子，單張GPU即可運行；模擬時長從數十納秒延伸到數百納秒，讓更多過去難以完整追蹤的分子過程進入可計算範圍；計算速度再翻倍，十萬原子體系單步計算僅需0.25秒，為更貼近真實研發環境的大型體系提供了計算基礎。團隊的願景很明確：希望能把化學反應的驗證，從實驗室提前到計算機裡。值得一提的是，QuantaMind的能力不止於論文驗證。

在一項延長半衰期的pH敏感抗體設計項目中，QuantaMind輔助設計的候選抗體在pH 6.0下的解離速率達到pH 7.4下的62倍——這樣的結果，過去往往需要多輪溼實驗篩選才能獲得。在酶工程領域，分子之心也已藉助QuantaMind探明多種複雜催化酶的反應機理，鎖定關鍵突變位點，直接指導後續突變選擇，縮小溼實驗範圍。許錦波這樣解釋團隊的初衷：“QuantaMind希望成為連接分子設計、機制模擬與實驗驗證的關鍵基礎設施，讓過程可追蹤、機制可分析、結論可驗證，推動建立更加完整、可信的AI分子研發新範式。” 論文原文：https://www.science.org/doi/epdf/10.

1126/sciadv.aeg3595 *本文系獲授權刊載，觀點僅為原作者所有。版權所有，未經授權不得以任何形式轉載及使用，違者必究。