分子之心QuantaMind登上Science Advances：把化学反应搬进GPU，AI看清原子怎么成键断键

2026年10月15日，分子之心（MoleculeMind）宣布，其自研的AI驱动反应性原子建模平台QuantaMind相关研究正式发表于《科学进展》（Science Advances）。这篇论文展示了一条新路线：让AI在接近密度泛函理论（DFT）精度的前提下，对上万个原子的复杂生物分子体系做数十纳秒的反应性分子动力学模拟——用一张GPU，就能看清化学反应里原子如何成键、断键、转移质子的全过程。

老问题：分子"长什么样"好算，"怎么反应"难算

过去几年，AI在分子生成和结构预测上进展神速，但一个新的瓶颈随之出现：研究者拿到大量候选分子后，说不清它们在真实环境里会如何表现、为什么成功或失败。要回答这些问题，得靠分子动力学（MD）模拟原子运动、结合稳定性、构象变化和动态相互作用。

难点在于"反应性"：传统非反应性力场模拟抓不住质子转移和键的断裂形成；量子力学方法（如DFT）足够准，但算力开销随体系规模爆炸，大体系根本跑不动；QM/MM方法又受反应区域和边界条件限制。目前主流的机器学习力场（MLFF）方向被寄予厚望，却普遍存在长时间模拟后稳定性变差的问题。

QuantaMind的解法：以过渡态为中心的机器学习力场

QuantaMind是分子之心自研的反应性MLFF框架，专门用于在大型生物分子体系的持续模拟中可靠地建模键的断裂与形成。与多数只在平衡态结构上训练的MLFF不同，它把非平衡构象和以过渡态为中心的反应数据纳入训练，让模型学会反应路径上的关键状态；同时引入DFT方法分类嵌入，把用不同泛函、基组算出的量子化学数据统一进一套训练框架。

性能上，最新基准测试显示，QuantaMind对10万个原子的反应体系做单步模拟只需0.25秒，在该公司基准中跑赢主流MLFF。研究还表明，它能以DFT级精度对1万原子量级的复杂生物分子体系完成数十纳秒的反应性分子动力学模拟，并已成为最早模拟出完整酶反应过程的平台之一——在原子尺度上"看"到质子转移、化学键断裂与形成、完整酶催化循环的每一步。工业场景中，它已经扩展到数十万原子规模。

从论文到产业：酶工程与药物设计已经在用

在酶工程上，分子之心用QuantaMind揭示复杂催化酶的反应机理，据此指导突变位点选择，把理性设计从"试错"推向"计算引导验证"。在药物研发上，它帮助研究者分析动态分子相互作用、理解不同设计为何产生不同结果。一个pH敏感长半衰期抗体项目里，QuantaMind与其他AI设计模型配合给出的候选分子，经实验测得pH 6.0条件下的解离速率比pH 7.4快约62倍。

分子之心创始人许锦波表示，AI驱动的分子研发此前大多聚焦"分子长什么样、能设计什么"，而QuantaMind进一步回答"分子怎么动、怎么反应、为什么影响结果"——目标是让AI for Science做到过程可追溯、机理可分析、结论可验证。

从行业视角看，这项工作把AI生成与物理模拟接在了一起：生成模型负责"造"，反应性模拟负责"验"。论文已开放获取（DOI: 10.1126/sciadv.aeg3595），对AI制药、酶设计、材料计算方向的团队都值得精读。