综述：生物分子力场的持续演进

（编辑推荐）这篇综述系统梳理了生物分子力场（Force Fields）的发展脉络，涵盖经典加和模型（additive）、极化力场（polarizable）、粗粒化模型（coarse-grained）及机器学习势能（MLPs）的突破性进展，揭示了深度学习等计算技术如何推动力场参数化革新，为生物医学模拟提供更精准的工具。

　　

Summary

生物分子力场的迭代始终围绕提升模拟精度与拓展应用场景展开。传统加和模型（additive）通过优化原子电荷分配和范德华参数取得进展，而极化力场（polarizable）引入动态电荷响应机制，显著提升了膜蛋白和核酸体系的模拟可信度。粗粒化（coarse-grained）方法通过简化粒子映射，实现微秒级大分子组装过程的观测，如病毒衣壳自组装。

机器学习势能（MLPs）的革命性突破

基于神经网络的势函数（如DeePMD）可直接从量子力学数据学习能量面，在保留量子精度的同时将计算效率提升数个数量级。AlphaFold²
的侧链优化模块便整合了此类势能。不过，MLPs面临训练数据覆盖度不足的挑战，尤其在稀有构象采样方面。

跨尺度建模的挑战与机遇

极化力场与粗粒化模型的联用（如PACE力场）开创了多尺度研究新范式，但不同尺度间的参数传递仍需解决能量守恒问题。值得注意的是，石墨烯-蛋白界面模拟中发现的非经典氢键（C-H···O）现象，正是通过极化力场才得以准确捕获。

生物医学应用的未来图景

G蛋白偶联受体（GPCRs）的变构调节机制研究受益于新型力场，而COVID-19刺突蛋白的动态构象预测则验证了MLPs的实用价值。下一步发展需聚焦：① 开发统一的可转移参数集；② 建立自动化力场评估基准；③ 探索力场指导药物设计的闭环工作流。