AI在生物制造与药物研发领域的应用越来越深，但一个共识也在形成：模型能快速生成和预测，却往往说不清为什么，这种黑盒特性正在成为信任瓶颈。我国科研团队的最新研究为突破这个瓶颈提供了一件新工具。近日，国内AI蛋白质设计平台公司上海分子之心科技集团自主研发的AI驱动反应性原子建模平台QuantaMind相关研究成果，以《利用QuantaMind MD弥合反应分子动力学中的精度与速度鸿沟》为题发表于国际期刊《科学进展》，该刊影响因子13.9。
研究发现，QuantaMind可以让AI在原子尺度上完整看见质子转移、化学键断裂与生成乃至完整酶催化循环的发生过程，从而把AI分子研发从预测结果推向理解过程，为药物研发与酶工程提供可解释、可验证的机制分析能力。这个定位的差异看似学术，实际决定了AI在制药链条里能坐到哪一排。
过去几年AI在分子领域的进展主要集中在结构与性质预测：给定氨基酸序列猜三维结构，给定分子式猜活性或成药性。这些能力解决的是长什么样的问题，对研发流程当然有价值，但药物与酶的研发真正难的地方在反应怎么发生：质子从哪里转移到哪里，哪个键先断、哪个键后成，酶在催化循环的不同阶段呈现出什么构象。这些属于过程性知识，仅靠静态结构预测拿不到。
缺了这层理解，代价是可以量化的。在药物研发中，一次化学幻觉的代价是数月时间与上百万美元投入，因为错误的机制判断会把整条实验路线带偏。团队提出的判断是，AI若要在分子研发中承担更实质的角色，必须从给出一个结构，推进到说明分子为什么这样运动、为什么这样反应。QuantaMind要解决的并不是单个分子构型预测是否准确，而是能否在大型生物分子体系的连续模拟中，稳定可靠地描述质子转移以及化学键的形成与断裂，这比预测一个静态构型难得多。
技术上的分水岭在数据组织方式。主流的机器学习力场通常从平衡或近平衡构象中学习，这类数据描述的是分子稳定状态下的能量与受力关系，用来算振动、导热、输运性质很合适，但化学反应发生在远离平衡的瞬间，键的断裂与生成涉及能量势垒最高的过渡态，恰恰是训练数据里最少见的部分。模型没见过这些状态，自然无法稳定描述。
QuantaMind的核心是围绕反应过程重构数据组织与训练方法，专门纳入非平衡构型与以过渡态为中心的反应数据，让模型充分覆盖反应前、中、后的各类状态，从而精准刻画复杂生物体系的反应过程。这种做法把训练重点从常态转移到罕见的化学事件上，代价是数据获取难度大幅上升，收益则是模型终于敢在关键的那一瞬间给出可靠结果。此外，它率先把反应性机器学习力场拓展到大型、显式溶剂化生物分子体系与完整酶催化循环，同时兼顾计算效率与长时模拟稳定性，为研究大型生物分子体系中的反应过程给出了可靠的动态结果。
能力的验证没有停在单个案例上，而是设计成一条递进的链条。第一组是基础输运性质，用来确认模型在常规任务上不掉链子；第二组是罕见化学事件，考察它在低频、瞬态过程中的表现；第三组是蛋白质中的动态质子化，把场景推向真实生物分子的复杂性；第四组进入复杂酶反应，也就是完整酶催化循环的模拟。四组验证从基础化学过程走到复杂生物分子反应，形成系统验证链，逐级加压而不是只挑最容易的那一关。
这条验证链的意义在于回答一个质性问题：模型的能力是不是只在精心挑选的演示案例里成立。对制药与生物制造这类对可靠性要求极高的行业来说，单点突破的说服力有限，能证明能力在多个尺度上一致，才谈得上进入真实项目。QuantaMind把反应性力场的能力边界从常规体系推到显式溶剂化的大型生物分子体系，说明它在复杂环境下的稳定性已经过检验，而这恰恰是此前同类方法最难跨过的一道门槛。
从产品矩阵看，QuantaMind补上的是关键一环。分子之心此前已有蛋白质生成模型NewOrigin、结构预测模型MMFold以及从头设计平台MMDesign，覆盖生成、设计、预测三个环节。QuantaMind加入之后，技术矩阵从生成到设计、预测再到机理理解形成完整链路：不仅可以设计出结构，还可以在设计阶段就模拟出机理。这些功能将集成至分子之心自研的AI原生生物经济操作系统MoleculeOS。
落地场景被明确划为两块。一是酶工程与生物制造：传统酶改造依赖多轮表达、纯化与活性测试，候选方案多、验证成本高、试错周期长；QuantaMind能够重现酶催化的关键步骤，在实际产业项目中已探明多种复杂催化酶的反应机理，锁定关键突变位点，直接指导后续突变选择，缩小湿实验范围。二是药物与生物分子研发：平台有望成为分子研发的数字试验场，把机制判断和方案优选前移到计算端，优化实验资源配置。论文通讯作者、创始人许锦波把方向概括得很清楚：过去AI学会回答分子长什么样，下一步要回答分子为什么这样运动、为什么这样反应。当AI能理解分子怎样工作，蛋白质设计就不再停留在预测一个结构的单点，而是形成预测结构、设计结构、模拟反应的完整链路。