Sci. Adv. | 跨时间尺度分子动力学：可迁移生成模型连接飞秒与纳秒模拟

DRUGONE

理解分子的结构、动力学行为以及反应过程，往往需要跨越多个时间尺度。然而，传统分子动力学模拟虽然具有原子级分辨率，却受限于飞秒级时间步长，难以捕捉缓慢的构象变化和弛豫过程。

研究人员提出了一种深度生成模型框架，可在保持物理真实性的前提下，将分子动力学采样效率提升约四个数量级。该方法通过直接学习分子在不同时间间隔下的转移概率分布，实现对动力学过程的加速建模。在小分子和肽体系中的应用表明，该方法不仅能够准确描述平衡态分布，还能够捕捉长时间尺度下的动力学行为。模型在不同分子体系之间具有良好的迁移能力，并能外推到更大分子系统。这一方法显著拓展了分子模拟的可及时间尺度，为研究构象空间、热力学性质和动力学过程提供了新的工具。

在统计物理和生物化学中，许多关键现象——例如蛋白折叠稳定性、变构调控以及药物解离过程——都发生在纳秒到秒级时间尺度上。虽然实验技术能够观测这些现象，但其原子级机制往往难以直接解析。

分子动力学模拟提供了一种连接微观相互作用与宏观行为的重要手段。通过追踪原子运动轨迹，研究人员可以理解分子体系的动力学和统计性质。

然而，该方法存在根本性限制。为了保证数值稳定性，模拟必须采用飞秒级时间步长，这使得长时间过程的模拟成本极高。许多重要现象实际上由稀有事件驱动，例如不同亚稳态之间的跃迁，这进一步加剧了采样困难。

为解决这一问题，研究人员提出了多种加速方法，包括偏置采样、多副本模拟以及增强采样策略。但这些方法通常依赖人为定义的集体变量，或者引入偏置，从而影响动力学真实性。

另一类方法试图直接增大时间步长，但由于数值稳定性限制，效果有限。因此，一个更理想的方向是：直接学习长时间尺度的动力学行为，而非逐步积分。

方法

研究人员提出了名为 TITO（Transferable Implicit Transfer Operators） 的生成模型框架。该方法的核心思想是直接学习分子状态在较大时间间隔下的转移概率分布，从而绕过传统的逐步时间积分过程。

具体而言，模型以分子在时间点的构型为输入，预测其在任意时间间隔后的分布。通过在不同分子体系和不同时间尺度上联合训练，模型能够同时学习跨时间和跨化学体系的动力学规律。

在实现上，研究人员使用基于连续正则化流的生成模型，将简单分布映射为目标转移分布，并通过神经网络参数化动力学演化过程。训练数据来自传统分子动力学轨迹，但模型学习的是“时间积分后的行为”，而非逐步轨迹。

这种方法使得模拟步长可以自由选择，从飞秒扩展到纳秒甚至更长时间尺度。

图1. 模型整体框架。

结果

研究人员首先展示了TITO框架的基本思想，即从初始构型出发，直接生成不同时间尺度下的分子动力学轨迹，而无需逐步积分。

模型保持玻尔兹曼分布并发现新的亚稳态

研究人员验证了模型是否能够正确再现分子体系的平衡分布。结果表明，在未见过的分子体系中，TITO生成的构象分布与参考分子动力学结果高度一致。

更重要的是，模型不仅复现已有状态，还发现了一些传统模拟未能采样到的亚稳态。这些状态通过更高精度的模拟方法得到了验证，表明其具有真实物理意义。

这一结果说明，该方法不仅能够保持物理一致性，还能提高采样效率，发现隐藏的构象空间。

图2. 热力学与动力学一致性评估。

模型准确重建分子动力学弛豫过程

研究人员进一步分析了模型在动力学层面的表现。结果表明，TITO能够准确预测不同体系中的弛豫时间尺度，并在多个数量级范围内保持一致性。

此外，模型不仅匹配时间尺度，还能重现具体的动力学路径，即构象变化的机制。这表明模型学习到了真实的分子动力学规律，而不仅仅是统计分布。

图3. 慢动力学过程建模。

模型在不同时间尺度下保持一致性

TITO可以在不同时间步长下生成轨迹，并保持结果一致。这意味着模型满足动力学的马尔可夫性质，即长时间演化可以分解为多个短时间过程的组合。

同时，模型在快速振动模式（如键长和角度）上也表现良好，生成的构型能量分布与参考模拟高度一致，仅在方差上略有偏差。

图4. 多时间尺度一致性与能量分布。

模型可外推至更大分子体系

研究人员将模型应用于比训练数据更大的肽体系。结果显示，模型能够合理预测这些体系的构象分布和动力学行为。

虽然在更大系统中出现轻微偏差，例如构象略微压缩或能量偏低，但整体结构仍具有物理合理性，并可通过短时间MD进一步修正。这一结果表明，该方法具有良好的可迁移性和扩展潜力。

图5. 大分子外推能力。

计算效率显著提升

在计算效率方面，TITO表现出显著优势。在相同计算资源下，其可达到毫秒级模拟时间，而传统方法仅能达到微秒级。

同时，研究人员指出，该方法允许在精度与效率之间灵活权衡。例如，可以在需要精确动力学时增加计算成本，而在关注热力学性质时降低成本。

讨论

研究人员提出的TITO方法代表了一种全新的分子动力学建模范式。与传统方法相比，该方法不再依赖逐步时间积分，而是直接学习长时间尺度的动力学行为，从而显著提升效率。

该方法不仅能够同时预测热力学和动力学性质，还具有跨分子体系的迁移能力。这一点区别于现有方法，例如仅关注平衡分布的生成模型或只能处理固定时间尺度的动力学模型。

然而，该方法仍存在一定局限。例如，目前仅适用于隐式溶剂体系，且分子规模有限。同时，其性能依赖于训练数据的多样性，而不仅仅是数据规模。

尽管如此，这一研究为分子模拟提供了一种新的思路，即通过生成模型直接学习动力学过程，有望在未来拓展到更复杂体系，如大分子蛋白或材料体系。

总体来看，该方法为跨时间尺度的分子模拟提供了有效解决方案，并有望推动计算化学与生物物理研究进入新的阶段。

整理 | DrugOne团队

参考资料

Juan Viguera Diez et al. ,Transferable generative models bridge femtosecond to nanosecond time-step molecular dynamics.Sci. Adv.12,eaed2333(2026).

DOI:10.1126/sciadv.aed2333