人工智能赋能量子化学，推动药物设计的下一次飞跃

以下文章来源于智量研究所，作者智量研究所

开发有效的治疗方法始于了解类药物分子如何与生物靶标相互作用，是一个由分子动力学驱动——实时精确编排原子成键和断键的过程。几十年来，模拟这种过程一直都缓慢、昂贵且复杂。

但随着量子人工智能和基于物理的建模技术的进步，这种曾经不可能完成的“舞蹈”如今变得更快、更智能、更易于实现——彻底改变了我们设计药物、材料以及其他领域的方式。

量子化学驱动的药物设计AI模型

近日，索邦大学和Qubit Pharmaceuticals的研究人员在《ChemRxiv》上发表了题为“A Foundation Model for Accurate Atomistic Simulations in Drug Design”的论文。文章中介绍了FeNNix-Bio1这一AI 基础模型，可实现对药物发现至关重要的下一代分子模拟。

FeNNix-Bio1模型由阿贡国家实验室、EuroHPC和GENCI的超级计算机支撑。作为面向药物设计的原子模拟基础模型，该模型的核心优势在于结合机器学习与量子化学数据，而量子计算技术则是推动其精度突破和未来扩展的重要引擎。

目前，传统的分子模拟依赖于经验力场。这些复杂的公式需要计算科学家进行大量的微调，准确性和范围往往有限。另一方面，量子化学模型虽然高度准确，但速度太慢且成本太高，无法大规模实施。而FeNNix-Bio1的目标是拥有快速、可扩展的量子级精度预测。

Qubit 首席科学官兼 FeNNix-Bio1团队杰出教授Jean-Philip Piquemal表示： “FeNNIx-Bio1将 AlphaFold 在蛋白质结构预测方面的突破扩展到任何生物分子模拟。“AlphaFold 彻底改变了蛋白质结构预测；然而，它并没有捕捉到类似药物的小分子如何与这些蛋白质相互作用——这仍然是物理学重要的地方。

精准模拟药物-蛋白质相互作用不仅仅关乎更智能的算法，更关乎在大规模化学空间中探索。潜在组合的空间浩瀚无比。科学家可以设计无数类似药物的分子，每种分子都有可能以独特的方式与不同的蛋白质结合。可能的组合数以万亿计。你不可能将它们全部放入一个数据库中。“这就像试图把宇宙装进电子表格里，”Piquemal 说。

药物与蛋白质分子结合示意图

那么，如何处理数万亿种潜在的排列组合呢？答案是计算。虽然大多数早期模型都是基于数十年积累的实验数据（例如X 射线晶体学和核磁共振波谱）建立的，但 FeNNix-Bio1 的训练是基于基于第一性原理的量子化学模拟生成的合成数据。

这意味着，它依赖于物理学的基本定律（例如薛定谔方程）来模拟电子和原子在分子中的行为。这使得模型能够直接从底层物理中学习，而不是从有偏差、有噪声或不完整的实验数据集中学习。

Qubit Pharmaceuticals

——药物发现、优化与验证

“这种客观的方法并不局限于先前的发现。相反，它基于底层的物理和化学定律，学习分子应该如何行为， ”Marino 补充道。“同时，它还很灵活——只要改进基本构件，你几乎可以模拟任何事物。 ”

Robert Marino 博士,Qubit Pharmaceuticals 的首席执行官

FeNNIX-Bio1 团队没有采用通用的大语言模型（LLM），而是基于神经网络开发了定制的创新型化学和物理 AI 框架。“ LLM 在语言方面表现良好，但并非为学习化学或物理而设计， ”Piquemal 说道，“而且它们的训练成本非常高。我们的模型经济高效，而且更加专注。 ”

FeNNix-Bio1 仅需使用单张 GPU 卡即可在几天内完成训练。同类其他 AI 模型则需要数周的超级计算机时间。凭借这种更易于访问的训练环境，该模型堪比当今制药行业使用的最佳力场，甚至往往更胜一筹，同时得益于 GPU 加速推理，其可扩展性极高。

“这是一种即插即用的现有方法的替代方案，”Qubit 首席执行官 Robert Marino 表示，“早期模型的构建和实施需要五到十年的时间，而 FeNNix-Bio1 只需几天即可完成训练和实施，并且无需太多人工干预。 ”

以量子精度重构药物研发模拟新范式

为了测试FeNNix-Bio1 的性能，研究人员用分子科学中最难的任务之一——水建模——来挑战它。该模型表现出色，准确预测了水的物理特性以及小分子如何与水相互作用，超越了传统方法，同时与真实世界的实验数据高度吻合。

300K 时 Na 和 Cl 离子在水中的径向分布函数

该模型还预测了化学反应，例如丁二烯重排为环丁烯，这是传统力场模拟无法实现的，表明FeNNix-Bio1 能够理解分子行为和变化。

最令人兴奋的特性是它有可能减少物理实验，并允许探索更具创新性的生物分子，以解决具有挑战性或无法用药的靶点。“由于该模型与实验一样精确，我们可以在进入实验室之前，在计算机模拟中快速且经济高效地进行失败测试，”Piquemal 说。

环丁烯 丁二烯反应在 300K 时的平均力势与不同微调回合下 C1-C4 间距的函数关系。原始模型“（黑色曲线）对应于开箱即用的 FENNIX-Bio1(S)；”第 1 轮“（蓝色曲线）对应于使用 100 个样本进行第一轮微调后的 PMF 估计值；”第 2 轮“（橙色曲线）对应于使用 137 个样本进行第二轮微调；”全部"（虚线曲线）对应于对收集到的全部 3000 个样本进行微调后的模型。

此外，FeNNix-Bio1 能够以极低的开销利用新的合成数据进行改进，并与其他结构预测基础模型兼容，从而实现 AI 驱动的端到端设计周期：预测蛋白质结构、设计候选药物以及模拟相互作用。

它与 Alphafold 类模型（采用麻省理工学院的 Boltz-1 方法）的集成，使研究人员能够从预测蛋白质结构转向精确的分子模拟，从而精确模拟药物与蛋白质的相互作用。

敲开量子人工智能的大门

这里还有一个更深层次的技术故事。

FeNNix-Bio1 打开了量子人工智能的大门，而量子人工智能是量子计算、高性能计算 (HPC) 和机器学习的融合。FeNNix-Bio1 在模拟包含数百万个原子的环境时，为速度设定了新的基准。它能够在不降低量子精度的情况下做到这一点。

虽然量子计算机仍在不断成熟，但我们仍然可以通过将量子化学与高性能计算相结合，彻底改变分子模拟的数据生成方式。“我们已经开始使用量子计算算法来生成数据，以增强我们的模型，”Piquemal 说道。利用与量子硬件公司的合作，未来将持续增加更多数据。“人们认为要到 2035 年才能实现的事情，今天已经开始发生了。 ”

在NVIDIA H100 80GB GPU 上不同系统规模下的性能（以每天百万次模拟步数为单位）。FeNNiX-Bio1、MACE 和 ANI2x 的计算均采用 FeNNol 的 JAX 模型实现。105 原子以上的系统使用 deep-HP78 模拟。如果没有明确说明，则报告单 GPU 性能。

FeNNix-Bio1正在改变我们设计、测试和理解分子的方式。这是一个战略优势，借助 FeNNix-Bio1，我们可以从对量子化学的科学好奇心转向人工智能的实际应用。首先，我们探索了一种更具成本效益的分子动力学方法，用于药物研发，并随后将其应用于工业酶、材料科学、海水淡化膜，甚至电池设计。

FeNNix-Bio1是分子设计、测试和理解领域的一次范式转变。它不仅速度更快，而且更智能、更高效，并具备可扩展性，可应用于工业领域。随着AI赋能的大规模生物学和量子计算打破物理学界限，人们期待已久的分子自动化发现愿景正在加速成为现实。

量子计算机“精度引擎”的未来

短期通过量子蒙特卡洛（QMC）数据增强突破DFT局限性，精准刻画强关联体系、带电物种相互作用及核量子效应，支撑水合自由能、蛋白-配体结合等关键药物设计参数的实验级精度模拟。

中期构建量子-经典混合架构，利用变分量子算法（VQE）等优化模型训练与不确定性量化，提升千万原子级生物系统模拟效率。

长期依托容错量子计算（FTQC）突破规模限制，实现电子-核量子耦合效应建模，开启“全量子化”药物发现时代，其与机器学习的深度协同将重构原子模拟精度天花板，有望成为未来计算化学与药物设计的核心驱动力。

参考链接

https://chemrxiv.org/engage/chemrxiv/article-details/6814f81f927d1c2e66badeea

https://www.qubit-pharmaceuticals.com/