💡这项突破是什么?
研究价值与展望
本次工作在方法学上，验证了多精度主动学习是解决大规模生物分子数据冗余、平衡标注成本与模型性能的高效路径，为同类机器学习势能模型的开发提供了标准化范式；在应用层面，PANIP提升了蛋白专属高精度机器学习势能的建模能力，为蛋白质工程、分子互作机制解析、先导化合物筛选等研究提供了低成本、高精度的计算工具。
研究团队表示，现阶段PANIP聚焦于两两片段间的成对相互作用，后续将进一步拓展片段化学多样性，引入多体作用、长程静电效应与溶剂化模型，持续完善模型能力。未来，这套工具有望和经典力场、通用机器学习模型形成互补，为生物分子模拟、计算药物研发领域向 “高精度、高效率、规模化”方向持续发展打通“最后一公里”。
作者与项目信息
本文第一作者为黄牛实验室TIMBR项目博士研究生曾乐嘉，黄牛研究员为通讯作者。博士研究生张心童、裴宇婵，以及已离任的博士后研究人员赵立峰、花兰、杨金才参与了课题前期探索与部分相关工作。该研究得到北京市科学技术委员会、中关村科技园区管理委员会及清华大学的资助，全部研究工作在北京生命科学研究所完成。
PANIP模型、PDB-FRAGID数据集、基准测试集及相关代码已全部开源，相关资源可访问项目GitHub主页获取。
论文链接
https://doi.org/10.1039/D6DD00056H
