AI蛋白质设计正在迈入"动态时代"。分子之心自主研发的反应性原子建模平台QuantaMind近日在《Science Advances》发表相关研究，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，让化学反应过程从"事后验证的黑盒"变为可在计算端提前推演的过程。
长期以来，反应性分子动力学面临精度、速度与尺度难以兼得的困境：传统量子化学方法（如DFT）精度高但计算量极大；经典分子动力学能算大体系却无法描述化学键断裂与生成；已有机器学习力场在大型生物体系的长时推演中难以保持稳定。
QuantaMind通过创新的数据工程与模型架构，首次将三个维度同时推进到生物研发可用的范围。论文显示，在NVIDIA A100 80GB GPU上，其推理速度达4.2×10⁻⁶秒/原子/步，与当前最先进的机器学习力场相当；论文提交后的最新扩展测试中，推理速度进一步提升至2.1×10⁻⁶秒/原子/步，十万原子级反应体系单位时间步的模拟计算耗时降至0.25秒。
在规模与时长方面，论文中成功验证了24,001原子水体系和17,792原子酶催化体系，最长实现20纳秒稳定模拟；最新扩展测试已达到十万原子级和百纳秒尺度。
关键验证中，研究团队对包含17,792个原子的PET水解酶体系进行了6纳秒反应性分子动力学模拟，完整覆盖了酶催化循环。为检验精度，团队从反应轨迹中抽取342个构型进行独立DFT单点计算，结果显示原子力分量的Pearson相关系数均超过0.99，与参考DFT势能面高度一致。
这一突破意味着，质子转移、化学键断裂与形成、药物与靶点结合后的构象变化等决定分子功能的关键动态过程，现在可以在原子尺度、纳秒级时间内被连续追踪和理解，为AI大分子设计和药物研发提供了新的计算工具。