近年来，随着深度学习技术的发展和图形处理器（GPU） 算力的飞速提升，人工智能（AI）在蛋白质研究领域扮演着越来越重要的角色。今年的诺贝尔化学奖就授予了蛋白质结构预测和蛋白质设计的研究。尽管通过计算手段预测静态的蛋白质晶体结构已经接近或达到生物学实验解析的精度，但如何利用 AI 在原子级别精确地刻画蛋白质动态变化的行为是一项仍需解决且更为困难的挑战。

近日，微软研究院科学智能中心王童研究员及其团队，历时四年在人工智能驱动的分子动力学模拟研究中取得了重要进展。11月6日，相关研究成果以长文形式在线发表于《自然》。

分子动力学（ MD）是模拟分子和原子在真实生物细胞中运动的技术手段。历经半个多世纪的发展，分子动力学模拟可以分为两类：经典模拟和量子模拟。如何打破经典模拟和量子模拟之间的技术瓶颈，实现对蛋白质等生物大分子量子级精度的全原子模拟，是该领域半个多世纪以来的一大挑战。

为了解决这一难题，微软研究院科学智能中心的研究员们设计了基于 AI 的分子动力学模拟系统 AI²BMD。该系统以从头计算的精度（即量子级的精度）高效地对各类蛋白质进行了全原子模拟仿真。这一创新在生物分子模拟中实现了一种此前标准模拟技术无法达成的权衡——比经典模拟具有更高的准确性，其计算成本虽然高于经典模拟，但计算速度领先 DFT 和其他量子力学方法数个数量级。

据悉，AI²BMD 在量子级精度、泛化性、全原子模拟的兼容性、高效性、构象探索的多元性及生物实验的一致性等多个方面均展示出与此前蛋白质分子经典模拟不同的创新性变化。例如，AI²BMD 通过可泛化“机器学习力场”——一种通过机器学习模型构建的原子和分子之间相互作用的模型，实现了量子级精度的全原子蛋白质动力学模拟；首次解决了机器学习力场在模拟蛋白质动力学方面的泛化挑战，展示了对各种蛋白质全原子模拟的鲁棒性等。

据介绍，AI²BMD 有望在生物分子建模中解锁更多新的能力，特别是在如蛋白质与药物相互作用这种需要进行高精度计算的研究过程中。在2023年首届全球人工智能药物开发竞赛中，AI²BMD 和其 AI 力场 ViSNet 准确识别出了与新冠病毒多个靶点相结合的潜在药物分子，在所有任务中都取得了最佳预测，赢得了冠军。

相关论文信息：https://doi.org/10.1038/s41586-024-08127-z