人工智能正在彻底改变科学研究的范式。它不仅加速了计算和预测，更开始模仿科学家的推理过程，跨越从“预测结果”到“解释原因”的关键鸿沟。最近发布的几项突破性研究，从动态结构模拟、不确定性评估、化学推理到数据基础设施和训练方法，共同描绘出AI赋能科研的未来图景。
从静态到动态：BioEmu让蛋白质“动”起来
AlphaFold为我们提供了蛋白质的静态快照，但生命活动依赖于动态变化。传统分子动力学（MD）模拟虽能揭示构象变化，但计算成本极高。BioEmu的出现改变了这一局面。它结合AlphaFold的序列特征提取能力和扩散模型，生成处于平衡态的构象集合，就像一台“高速摄像机”捕捉蛋白质的动态行为。
研究者用超过200毫秒的MD轨迹和50万个蛋白质稳定性数据训练模型，使其能够准确预测如激酶DFG翻转等构象变化，并在自由能预测中达到小于0.9 kcal/mol的平均误差。这不仅可用于快速筛选突变体，还能发现隐藏在动态结构中的变构结合位点，为新药研发开辟新路径。
AI学会说“我不知道”：在黑暗中寻找钥匙
AI药物发现长期受困于“路灯效应”——模型倾向于生成与训练集类似的分子，缺乏探索未知化学空间的能力。一项发表在ChemRxiv的研究提出了解决方案：联合分子模型（Joint Molecular Model）。该模型同时预测活性和重建分子结构，通过重建误差量化分子“陌生度”，从而在预测高活性分子的同时标识其不确定性。
研究团队针对两个激酶靶点，专门筛选被预测为活性高且“陌生”的分子，并在湿实验中验证出多个微摩尔级别的新抑制剂，其骨架与训练集分子截然不同。这项工作为AI在未知化学空间中的探索提供了“罗盘”，使研究人员能够更明智地评估AI的预测结果。
Mol-R1：显式推理让AI成为“临床搭子”
大语言模型（LLM）在化学任务中表现优异，但其“黑箱”特性限制了在药物研发中的可信度。Mol-R1致力于让AI的推理过程“透明化”，通过“思维链”（Chain-of-Thought, CoT）记录化学家的逻辑推理过程。
研究团队采用“通过上下文蒸馏的先验调节”（PRID）方法，利用少量专家标注引导模型生成高质量推理样本，解决了训练数据匮乏的问题。随后通过“分子迭代适应”（MoIA）策略，结合监督微调和强化学习，使模型在反复学习和练习中不断提升推理能力。结果显示，Mol-R1生成的分子不仅更准确，其推理步骤也更具逻辑性和可解释性，真正成为一个值得信赖的“科研伙伴”。
PEPBI数据库：为AI提供“情侣套餐”级数据
多肽药物设计面临数据短缺的挑战，尤其是同时包含三维结构和热力学数据的“配对样本”。PEPBI数据库应运而生，收录了符合严格标准（如分辨率<2.0 Å、肽长度5-20氨基酸）的蛋白-多肽复合物结构，并配套ITC实验测得的ΔG、ΔH、ΔS值。
此外，数据库还提供了40种预计算的界面特征，如氢键数量、形状互补性等，极大降低了AI建模的数据预处理成本。PEPBI为理解多肽-蛋白结合的“能量-结构”关系奠定了基础，推动AI从“看图说话”迈向“理解机制”。
rbiol：用“虚拟细胞”训练下一代生物学AI
生物实验成本高昂、周期长，限制了AI模型的数据获取。rbiol提出“软验证”范式，利用已有的生物学世界模型（如基因扰动-转录组响应模型）作为“虚拟老师”，通过问答形式将知识蒸馏到LLM中。
结果显示，经过“虚拟训练”的模型在真实基因扰动预测任务中表现优异，甚至媲美使用真实数据训练的模型。这种方法不仅降低了数据依赖，还提高了模型的可推广性和推理能力，为构建通用“虚拟细胞”推理引擎指明了方向。
结语：AI正在成为科学家的“共思者”
从动态结构模拟到不确定性评估，从显式推理到数据基础设施和训练方法的创新，AI正逐步融入科学研究的每一个环节。它不再只是一个工具，而是正在成为能够与科学家对话、协作甚至提出创见的“共思者”。未来的科学研究将愈发依赖于人与AI的深度融合，而这一变革已经悄然开始。
地址：山东省烟台市开发区南昌大街48号
