对分子模拟的应用前景比较疑惑

whitemouse

        本人生物方向在读博，围绕抗体分离做横向课题，由于课题深度不足，我想从微观机理上挖掘一些关键残基的作用遂学习sob老师的分子动力学课，出于兴趣也学习了量子化学初级和基础课，收获颇丰。但是我最近读文献发现自从alphafold2问世之后，有越来越多利用alphafold2数据库做蛋白质活性位点挖掘的机器学习模型，看上去AI在这方面的发展速度已经快要取代掉普通的蛋白质分子对接和分子动力学了。当然我了解的并不深入，也不知道目前这些机器学习模型准确预测蛋白质活性位点与配体的结合是否具有普适性，我只是看到这样一个趋势所以心中出现一个疑惑：是否大型企业自研一个模型就能取代掉以后绝大部分的药物设计方面的分子动力学从业者，那么是不是意味着最好从现在开始趁早也去加入AI研究呢。包括计算化学，前段时间看到NC上一篇基于机器学习研究6000原子金属纳米粒子的电化学稳定性，好像计算化学也越来越多与AI结合了。在如今AI的大趋势和发展速度下，感觉不出十年传统计算化学就要被大量AI模型占领。

sobereva

不要跟风，传统计算化学领域不可能因为AI的兴起而被轻易的动摇。诸如机器学习/AI搞势函数都弄多久了，到现在主流经典力场适用的领域依然很少被机器学习的产物所取代。量子化学领域近年来弄的一些机器学习势，诸如ANI，性价比比传统基于物理思想搞的GFN-xTB也根本没优势。不应把AI/深度学习在某个领域带来的较大进步过度扩大化、过度乐观。十几年前还有人鼓吹GPU会带来量子化学计算的革命，结果现在整体弄得很鸡肋。

“6000原子金属纳米粒子的电化学稳定性” 这种研究靠CP2K也不是算不动。

“不出十年传统计算化学就要被大量AI模型占领” 基本不可能。只能说某些很适合用训练/预测方式搞的问题，诸如蛋白质结构预测，AI会起到显著价值，但这种问题终究很有限。值得一提的是，虽然alphafold取得了巨大成功，但google靠机器学习搞的泛函DM21，虽然发到了science上，乍一看好像又是机器学习研究计算化学的一个大突破，但却根本没起到什么实际价值，21年发表到现在做实际应用计算的人几乎无人问津，精度就那么回事，又慢又难收敛。普适性的DFT泛函就属于典型的极难光靠训练/预测思路解决的问题，所以无法预期AI在可预见的未来能带来什么突破。

要不要入机器学习的坑，必须理性。关键在于先要对被研究的对象有足够多的背景知识、充分了解传统方式的研究思想，并且再了解机器学习的思想，从而判断此问题是否靠机器学习的训练/预测方式能够更好地研究、有没有前景和油水，并预估搞出来的东西能有哪些实际价值（免得做完了实际上就是个没多大用处的摆设）。经常看到一些基本计算化学常识都没有的人一窝蜂钻到计算化学领域，弄一堆乱七八糟恶心的、离谱的描述符瞎整，这能搞出有价值的东西才怪。

whitemouse

sobereva 发表于 2023-10-19 18:43
不要跟风，传统计算化学领域不可能因为AI的兴起而被轻易的动摇。诸如机器学习/AI搞势函数都弄多久了，到现 ...

谢谢sob老师指点，我确实了解的不够深入，我打算趁还在上学期间跟进一下所在领域的一个潮流，但是应该没有算力去深入学习，我觉得充分了解数据集的转换输入方式之后应该能帮助我判断AI的可行性