把化学反应拍成电影：一张 A100 上的酶催化循环

⏳ 从三千五百年到四分之一秒

先用一个换算建立体感。传统量子化学方法（DFT）要模拟一个十万原子体系的单步演化，理论耗时约 1,300 万天。1,300 万天是 3.5 万多年，比人类驯化小麦还要早两万年。也就是说，按这条技术路线，把一次酶催化反应从头到尾看完，需要的时间比整个文明史还长。

9 月 11 日上线于 Science Advances 的论文给出了另一个数：0.25 秒。同一个体系、同一个单步，在一张 NVIDIA A100 80GB 上算完。论文题为 Bridging the accuracy-speed divide in reactive molecular dynamics with QuantaMind MD（DOI: 10.1126/sciadv.aeg3595），作者张德强、夏松、商旭、许锦波，来自上海分子之心。两个数字相除约 4.5 万亿倍，这是媒体口径里那个"提速 4.5 万亿倍"的出处，算术本身经得起复算。

小贴士：QuantaMind 是一个机器学习力场（MLFF）：用神经网络学习原子之间的相互作用。分子动力学模拟的循环极其朴素：每一步算出每个原子受的力，按牛顿方程往前推一小格，推几百万步就是一条轨迹。难点全在"力从哪来"：量子力学算出来的力准，但每一步都是一次电子结构计算，贵到用不起；经典力场快，但化学键的连接关系是写死的参数，键断了它不知道。

🔺 不可能三角与三个设计

分子模拟领域长期存在一个三角：算得准（量子精度）、跑得快（工程可用）、做得大（生物体系尺度）。三者取二，几乎是这个领域几十年的默认设置。已有路线各有短板：

• DFT 等量子化学方法：精度天花板，计算量随体系规模爆炸。
• 经典力场：每步便宜，能跑几万原子微秒级轨迹，但预设键连接，遇到化学反应直接失效。
• QM/MM 分区：反应中心用量子力学、环境用经典力场，能做但边界怎么切、怎么过渡是门手艺，还会引入边界误差。
• 现有 MLFF：两头都想占，实际有两大老毛病，长时间模拟稳定性差（跑着跑着崩），以及只在平衡态构象附近学过，反应区覆盖不足。

QuantaMind 的三个关键设计都冲着第三类短板去：

• 数据围绕"反应性"重组：主流 MLFF 从平衡或近平衡构象学习，QuantaMind 专门纳入非平衡构型与以过渡态为中心的反应数据，让模型见过反应前、反应中、反应后。
• DFT 方法分类嵌入：不同反应类型用不同精度的 DFT 教师计算能量与受力，再让网络学规律。
• 稳定性硬指标：1 纳秒 NVE 系综模拟中，纯水体系能量漂移控制在 10⁻⁵ kcal/mol/atom/ps 量级。长轨迹不漂，这是对"跑着跑着就崩"这一老毛病的直接回应。

🧪 四组验证，从水到酶

论文的验证链按难度递进排列，从基础输运性质到罕见化学事件，再到蛋白质动态质子化，最后是完整酶催化循环。每张表上方的结论先说：计算值与实验值的偏差都在同一量级内，且没有为凑数挑指标。

几个数字的分量需要展开。

• 质子扩散那条，官方口径称偏差较同类研究降低约 87%。
• 水自解离 pH 是罕见事件的直接观测：一个水分子自发拆成氢离子和氢氧根，平衡常数由极低概率事件决定，3 纳秒轨迹里能采到并算出 6.34，对实验值 6.13 偏差 0.21 个 pH 单位。
• 溶菌酶 His15 的 pKa 对应蛋白质内部残基的动态质子化，核磁实验值 5.5，模拟给 5.81。
• PETase 一项是全文压轴：这种酶降解 PET 塑料，17,792 个原子的体系里完整走完酰化、脱酰化、催化位点恢复三段循环，限速步骤能垒 14.5±0.1 kcal/mol。

PETase 结果的可信度背书来自一条独立验证：团队从反应轨迹中抽取 342 个构型，单独做 DFT 单点计算，原子力分量的 Pearson 相关系数全部超过 0.99。换句话说，模拟中途每一步的力，拿真量子化学去抽查，抽查 342 次无一失手。

📊 论文口径与公司口径，分开记

这篇成果的传播里混着两套数字，分开记才不会高估。

• 约 18,000 原子的 PETase 体系，每纳秒模拟约需 20 小时（论文数据）。6 纳秒催化循环对应约 5 天单卡时长，这个成本在实验室可承受范围内。
• "十万原子、数百纳秒"与"0.25 秒单步"均出自论文提交后的扩展测试，未经同行评审，引用时应当注明。
• 4.5 万亿倍提速的算术成立（1,300 万天 ≈ 1.12×10¹² 秒，除以 0.25 秒），但其前提"传统 DFT 模拟十万原子单步需 1,300 万天"本身是理论估算，不同硬件与实现下会有出入。

🏭 从论文到抗体

产业侧的数字同样要分清来源。分子之心披露了两条落地线：

• 酶工程与生物制造：用机制模拟能量垒去筛突变体，把"哪个突变更可能降低能垒"前移到计算端。
• 药物与生物分子研发：一项 pH 敏感抗体设计项目中，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。这个数字来自公司披露，未见诸论文正文。

更大的图景是产品矩阵：蛋白质生成模型 NewOrigin、结构预测模型 MMFold、从头设计平台 MMDesign、动态反应模拟引擎 QuantaMind，四件套计划集成进 AI 原生生物经济操作系统 MoleculeOS，形成"生成—设计—预测—机理理解"的闭环。创始人许锦波此前的代表作是蛋白质结构预测工具 RaptorX-Contact，从"预测结构"走到"模拟机理"，这条线在他手里延伸了十年。

🎯 为什么这件事轮到中国团队做成

【判断】这篇论文的位置值得说清楚。AI for Science 过去三年的主战场在"预测结果"：AlphaFold 预测结构，扩散模型生成分子。共同短板是给不了"为什么"，药物评审要的恰恰是机理证据。QuantaMind 把模拟推到"看见过程"，等于在预测与实验之间补了一层可验证的机制证据，这也是光明网报道里"破解黑盒"说法的本义。

方法的护城河在数据组织而不在网络结构：过渡态为中心的数据集、DFT 分类嵌入、主动学习闭环，三件事都不炫技，拼的是对化学问题的理解。这类积累复制周期长，比堆参数门槛高。

留给领域的未竟之处同样明确： PETase 是单一酶、单一底物的验证，更多酶体系上的泛化表现要靠后续论文；百纳秒尺度对不少慢反应（如某些变构过程）仍不够；实验侧的 62 倍解离速率需要湿实验闭环来兑现宣称。

一张消费级不到三万美元的加速卡，0.25 秒算完过去要三万五千年的一个单步。分子模拟的经济学从这天起换了分母。

信源与限定

• 论文：Bridging the accuracy-speed divide in reactive molecular dynamics with QuantaMind MD，Science Advances，DOI 10.1126/sciadv.aeg3595，2026-09-11 上线（PubMed 42726868）
• 分子之心官方披露与许锦波访谈口径，经网易科技、光明网、中国网、AI123 多源交叉（2026-09-14 至 09-30）
• 四组验证数字取自论文数据转述；十万原子/百纳秒与 62 倍抗体数据为公司扩展测试口径，未经同行评审
• "4.5 万亿倍"为媒体口径，本文已复算其算术并注明前提；PETase 每纳秒约 20 小时为 A100 80GB 论文数据