想象只凭一张汽车照片判断发动机怎样运转：你能看清零件的位置，却看不到它们何时移动、怎样配合。研究蛋白质也有类似难题。静态三维结构能告诉我们原子大致在哪里，却未必能解释酶如何催化反应、质子怎样转移、化学键何时断裂或形成。分子之心开发的 QuantaMind，尝试让 AI 不只给分子“拍照”，还给这些过程“拍电影”。相关研究已发表于《Science Advances》。
需要先说明：目前供稿只有一篇经授权转载的企业材料。下述论文结果、扩展测试和产业案例均缺少独立信源，适合视为值得追踪的技术进展，而不是已经得到广泛验证的定论。
难点不只是“算得快”
给分子拍电影，通常要用分子动力学——把时间切成许多小步，逐步计算每个原子如何运动。普通分子动力学能处理较大的体系，但通常把化学键当作固定连接。要观察真正的化学反应，还得使用反应性分子动力学，让断键、成键和质子转移也能发生。
问题在于精度、速度和规模很难兼得。密度泛函理论（DFT）是一种基于电子密度进行计算的量子化学方法，精度较高，却十分昂贵；经典方法能跑得更远，却难以直接描述反应。QuantaMind走的是中间路线：让机器学习模型近似“势能面”——一张描述各种原子排列对应多少能量、原子下一步会往哪里走的复杂地图，以较低成本计算原子受到的力。
据分子之心提供的材料，论文验证的最大体系包含24,001个原子，最长稳定模拟为20纳秒。在 NVIDIA A100 80GB GPU 上，论文报告的推理速度为每原子、每步 秒；约18,000个原子的 PETase 体系，每模拟1纳秒约需20小时。
它真的看见了反应吗？
最受关注的测试是一种 PET 水解酶。材料称，QuantaMind对包含17,792个原子的体系进行了6纳秒模拟，并“完成了一次完整催化循环”。这比只观察蛋白质晃动更进一步：模型需要连续处理催化过程中发生的化学变化。
研究团队又从这段轨迹中抽取342个构型，用 DFT 做单点计算。材料称，原子力分量的 Pearson 相关系数均超过0.99。Pearson 相关系数衡量两组数值的变化趋势是否一致；超过0.99，说明模型计算的力与 DFT 结果在这些样本上高度同向。
但这不能直接等同于“普遍达到 DFT 精度”。高相关性不代表绝对误差一定很小；而且这些构型来自模型自身跑出的同一段轨迹，尚不足以证明它面对训练分布之外的新体系也同样可靠。
论文还检查了几类基础过程。材料称，在24,001原子的水体系中，模拟得到的质子扩散系数为 ，材料列出的实验值为0.94或0.96；在9,999原子的水体系中模拟3纳秒，得到自解离 pH 为 ，材料列出的实验值为 。这些数值接近，但实验参照所对应的温度、同位素和具体定义没有披露，不宜只凭差距大小下结论。
为什么值得继续看？
这项工作的价值，在于把蛋白质设计的问题从“它长什么样”推进到“它怎样工作”。如果反应轨迹足够准确、稳定且便宜，研究者就可能在实验前比较不同设计，先筛掉机制上不合适的方案，再把有限的实验资源留给更有希望的候选物。
材料给出的产业例子是 pH 敏感抗体：分子之心称，QuantaMind辅助设计的候选抗体在 pH 6.0 下的解离速率达到 pH 7.4 下的62倍。不过，材料没有披露候选物、测定方法、重复次数、误差或第三方验证，因此这只能作为企业自述的应用线索。
论文提交后的扩展测试据称已达到十万原子级和百纳秒尺度，最新推理速度为每原子、每步 秒，十万原子级反应体系每个时间步耗时0.25秒。这些不是《Science Advances》论文中的验证结果，测试硬件、时间步长和精度是否保持也未交代。
局限与未知
- 目前所有关键效果都来自同一机构相关材料，仍需论文之外的复现和竞品比较。
- “完整催化循环”如何定义、采样是否充分，以及20纳秒能否覆盖不同酶的关键过程，供稿没有给出足够细节。
- 从模拟能力走向药物或酶工程的实际收益，还要看它能否稳定预测新体系，并在实验中持续提高成功率，而不只是复现少数已知结果。