分子动力学模拟在蛋白质-药物结合研究中的最新进展 | 2025行业动态

分子动力学模拟在蛋白质-药物结合研究中的进展（2025）

过去这一年，分子动力学模拟在药物研发方向的推进速度，比很多人预期的要快。

不是因为MD本身出现了原理级突破，而是因为它在计算资源、力场精度和AI辅助三个维度同时向前走了一步，三者叠加之后，原来”理论上可以但实际上跑不动”的场景，正在变得可操作。

**自由能微扰（FEP）计算的工业化进程**

自由能微扰（Free Energy Perturbation，FEP）是计算蛋白质-配体结合亲和力最可靠的方法之一，但它的计算代价长期以来限制了工业端的应用。2024年末，Schrödinger正式将FEP+流程集成进了其药物发现云平台，用户可以通过标准化工作流直接提交蛋白质-小分子体系，平台自动完成采样策略选择、多窗口计算分发和结果统计分析。

根据Schrödinger公布的基准测试数据，FEP+在其验证集（130个蛋白-配体对）上的预测精度达到RMSE 1.1 kcal/mol，与实验ΔΔG的相关系数R²为0.71。这个数字意味着，计算端可以在实验合成之前，对一批候选化合物的相对结合亲和力做有意义的排序，筛选命中率因此提高。

礼来（Eli Lilly）和强生（Johnson & Johnson）的计算化学团队在今年的J. Med. Chem.上分别发表了将FEP+应用于实际候选化合物优化的案例研究，两者都明确指出，计算辅助的设计-合成-测试周期相比传统方法缩短了约30-40%。

**AI增强MD：力场准确性问题的新路径**

长期以来，经典力场（AMBER、CHARMM）在处理非标准残基、共价键修饰和金属配位位点时存在系统性偏差，这些偏差在蛋白-配体界面的模拟中会被放大。2025年，基于机器学习势能面的MD力场（ML-FF）在这个方向取得了实质性进展。

DeepMind团队发布的AlphaFold-MD（预发布版）将结构预测与MD模拟整合，允许对蛋白质动态构象进行比传统MD更准确的采样。与此同时，OpenMM 8.x版本正式支持通过PyTorch接口加载自定义ML力场，允许研究人员直接用ANI-2x、MACE等通用神经网络势能面进行MD模拟，不再需要手工拼接经典力场参数。

在基准测试体系（BPTI、泛素等）上，ML-FF的蛋白质骨架RMSD漂移比AMBER ff19SB低约15-20%，侧链构象采样的准确性提升更为明显。

**长时间尺度模拟：微秒级MD的普及化**

五年前，微秒级蛋白质MD模拟需要专用硬件（D.E. Shaw Research的Anton超算）或数百GPU·小时的算力。2025年，这个门槛在两条路径上同时降低。

一是GPU卡算力继续提升。NVIDIA H100/H200集群上使用GROMACS 2025，中等大小蛋白体系（~50,000原子）的模拟速度可以达到400 ns/day，一个月的连续模拟可以覆盖12微秒，进入慢动力学过程的时间窗口。

二是增强采样方法的成熟化。元动力学（metadynamics）、自适应采样（adaptive sampling）和复制交换MD（replica exchange MD）已经有了成熟的自动化实现（PLUMED插件的新版本），极大降低了配置和分析的门槛。

国内方面，南京大学计算化学与生物信息学团队今年在Nature Communications上发表了基于metadynamics的激酶变构调控机制研究，首次从原子层面解析了一类非催化位点配体的结合-脱结合路径，为后续的变构药物设计提供了计算框架。

**方向判断**

从这些进展里，有几个信号值得关注：

其一，FEP的工业化意味着MD模拟在药物研发中的地位从”辅助验证”向”先行预测”迁移，计算端的权重在上升。

其二，ML-FF的进入让MD的准确性天花板上移了，但同时也让参数验证的工作量增加——知道力场”更准”，还需要知道”在你的体系上准不准”。

其三，微秒级模拟普及化意味着一批之前无法触及的生物物理问题正在变得可计算，蛋白质折叠中间态、膜蛋白动态构象、RNA折叠路径，都在这个时间尺度上。

如需了解分子动力学模拟在药物结合、材料界面等方向的应用，欢迎访问科研学术网（https://www.keyanxueshu.com）查看技术教程和案例。