分子建模与模拟基础（FOMMS）2024 导论

《Molecular Systems Design & Engineering》：Introduction to Foundations of Molecular Modeling and Simulation (FOMMS) 2024Free

　　

分子建模与模拟基础（Foundations of Molecular Modeling and Simulation，FOMMS）是每三年举办一次的讨论会，汇聚来自学术界与工业界、开发并应用计算工具解决化学、生物与材料科学问题的研究人员。FOMMS 2024 为该系列第九届会议，于美国犹他州 Snowbird 举行，吸引了国际研究群体，会议内容涵盖计算量子化学、统计力学、分子模拟与理论，以及连续介质与工程过程模拟。《Molecular Systems Design & Engineering》本专题汇集 FOMMS 2024 参会者撰写的十三篇文章，主题从经典力场（force field）开发，到机器学习（machine learning，ML）加速发现，以及人工智能（artificial intelligence，AI）驱动工作流自动化。通读这些论文可看到若干主题：机器学习已超越早期后处理工具角色，开始塑造分子性质预测、化学空间搜索，以及模拟搭建与运行方式；同时，力场、性质估算与量子速率理论等基础方法仍有新进展；不止一篇论文将分析从分子尺度推进到过程级建模与技术经济评估（techno-economic assessment，TEA），体现该群体关注科学是否通向实际结果。 研究人员在机器学习重塑分子设计格局方向，报道分层图神经网络 PepMNet，从原子与氨基酸两级信息预测肽性质，可处理钉合肽与非经典侧链等非常规修饰；在材料方向，将分子模拟与 ML 结合筛选金属有机框架（metal–organic framework，MOF）用于 CO2/C2H2 逆分离，并用随机森林、XGBoost、人工神经网络筛选离子液体—溶剂电解质组合，从约 250 万混合物中找出近 19000 个离子电导优于传统锂离子电池电解质的候选体系；还将基团贡献模型嵌入高斯过程回归，给出带不确定性量化的热物性预测。膜生物物理方面，研究人员系统研究跨膜螺旋翻转规则，并分解辅料组合对疏水作用与溶剂网络结构的影响以稳定治疗性蛋白制剂。基础方法方面，研究人员在 Mie 力场下比较拟球分子参数化策略，用量子化学筛选直接空气捕集 CO2 的深共晶溶剂组分，用矩阵补全策略降低轻原子反应多维隧穿校正成本，并提出 AI agent 框架 DynaMate 将自然语言转为可验证分子动力学工作流。胶体晶体方向，研究人员用相对熵最小化设计二元胶体对势，并用硬粒子蒙特卡洛考察限域几何对四面体—八面体混合物结晶质量的影响。最后，研究人员对 CALF-20 同网 MOF 做从分子吸附到生物燃气升级的过程经济多尺度评价。 该文集显示分子建模与模拟具备持续动量：方法能力增强，ML 与物理理论、自动化深度融合；未来挑战不只是更准确模型，而是如何集成数据驱动方法、自动化与物理理论，同时保持严谨性、可解释性与可重复性。分子模拟的持久价值在于产生机制洞察，而非仅作预测。

研究背景方面，分子建模与模拟领域长期面临三方面张力：一是传统力场、量子化学与统计力学方法虽能提供机理洞察，但在大化学空间筛选、复杂流体与生物分子体系中计算成本较高；二是机器学习早期多作为后处理工具，若缺乏物理约束与不确定性量化，难以直接支撑工程决策；三是单点分子性质研究常难延伸到过程级表现与技术经济结果，导致学术方法与实际工业需求之间存在鸿沟。FOMMS 作为连接学术方法开发与工业应用的交流平台，其 2024 年文集集中反映上述背景：研究人员希望把物理建模、数据驱动方法与自动化工作流整合起来，使分子设计不仅能预测性质，也能服务膜蛋白、电池电解质、气体分离、胶体晶体与生物制剂等现实问题。

研究人员通过开展 FOMMS 2024 专题综述与十三篇论文的组织解读，说明该领域已形成“模拟生成训练数据、机器学习继承物理”的研究范式，同时基础方法并未被替代，而是与 AI 工作流、过程建模共同构成完整链条。结论上，机器学习正在成为分子模拟的原生语言，但力场开发、量子速率理论、膜识别规则与限域结晶机制仍是不可替代的基础；将分子水平性质传递到工艺性能与技术经济结果，是该群体持续追求的方向。其意义在于为分子系统设计与工程提供可复现、可解释、可落地的跨学科方法论框架，论文发表于《Molecular Systems Design & Engineering》。

主要关键技术方法上，研究人员采用图神经网络从原子与残基表征学习肽性质；将分子模拟数据与代理模型结合用于 MOF 与电解质组合空间筛选；把基团贡献法嵌入高斯过程回归以实现带不确定性量化的热物性估算；用量子化学计算筛选深共晶溶剂组分；以矩阵补全恢复最小能量路径上海森数据从而降低隧穿校正成本；构建 AI agent 将自然语言转为分子动力学流程；用相对熵最小化设计胶体对势；以硬粒子蒙特卡洛模拟研究限域几何对结晶的影响；并进行分子至过程的非平衡与多尺度技术经济评价。

机器学习重塑分子设计格局：研究人员通过 PepMNet 分层图神经网络，从原子结构直接学习氨基酸表示，结论是其可高精度预测色谱保留时间与抗菌活性，并处理非天然肽修饰；通过分子模拟结合 ML 筛选数千个 MOF 用于 CO₂/C₂H₂ 逆分离，结论是物理模拟与代理模型耦合可大幅加速优质吸附剂识别；通过随机森林、XGBoost、人工神经网络筛选离子液体—溶剂电解质，结论是从约 2.5×10⁶ 混合物中找到近 19000 个高离子电导候选；通过将基团贡献模型嵌入高斯过程回归，结论是热物性预测可获得有原则的不确定性量化。

生物膜与分子识别：研究人员系统计算跨膜螺旋翻转规则，结论是疏水性、电荷排布与螺旋长度决定膜蛋白片段插入后能否重取向，对 EmrE 双拓扑蛋白与膜活性治疗剂设计有直接影响；研究人员分解辅料组合对疏水作用与溶剂网络的影响，结论是为治疗性蛋白制剂稳定性提供分子分辨率优化路线。

基础：力场、性质模型与工作流工具：研究人员在 Mie 力场下比较仅拟合气液平衡与同时纳入传输性质的参数化策略，结论是两种方案存在明确权衡，可为工业流体力场开发提供实践指导；研究人员用量子化学筛选深共晶溶剂组分，结论是可获得直接空气 CO₂ 捕集的络合机制洞察；研究人员用含化学信息的矩阵补全策略恢复最小能量路径上海森数据，结论是轻原子反应精确动力学计算成本显著降低；研究人员提出 DynaMate（AI agent 框架），结论是可用自然语言生成已验证、可执行的分子动力学工作流，降低复杂模拟门槛并提升可重复性；研究人员用相对熵最小化设计 DNA 功能化纳米粒子可实现的对势，结论是可引导二元胶体进入目标晶体超晶格；研究人员用硬粒子蒙特卡洛模拟四面体—八面体二元混合物，结论是平壁限域促进异相成核、结晶度更高，球形限域因曲率产生拓扑瘢痕。

展望：研究人员指出分子建模与模拟的挑战已从“开发更准确模型”转向“集成数据驱动方法、自动化与物理理论，同时保持科学严谨性、可解释性与可重复性”。机器学习贯穿力场开发、模拟编排与设计优化时，分子模拟的持久价值仍在于产生机制洞察而非仅作预测。

研究结论部分译为：通读这些论文可以看出，分子建模与模拟是一个具有真实动能的领域。方法比以往更强大，与机器学习的联系开辟了真正的新可能，所研究问题从膜蛋白拓扑到新一代电池电解质都具有重要意义。研究人员感谢作者、审稿人与编辑团队；未来社区面临的挑战不再是简单开发更准确模型，而是理解如何集成数据驱动方法、自动化与物理理论，在保持严谨性、可解释性与可重复性的前提下推进研究。随着机器学习嵌入从力场开发、模拟编排到设计优化的整个工作流，分子模拟的持续价值将始终建立在“生成机制洞察而非仅作预测”的能力之上。