9月10日消息，arXiv新收录论文（编号2609.09293，9月8日提交）"Quantum-accurate atomistic modeling of enzyme catalysis using a machine learned potential"，展示了机器学习原子间势（MLIP）在酶催化模拟中的突破性能力。

酶催化中化学键的断裂与形成涉及电子重排，必须用量子力学（QM）处理，超出经典分子力学（MM）的能力；混合QM/MM方法虽可行，但需要逐体系繁琐设置，且对QM区域选取与QM/MM界面处理高度敏感，难以规模化。

该研究使用机器学习原子间势eSEN-omol，对包含显式溶剂的全原子完整酶体系（最大5.4万原子、累计1微秒模拟时长）实现了量子精度模拟，无需任何体系特异性调参。三个验证案例覆盖不同催化类型：复现了分支酸变位酶Claisen重排的实验能垒趋势；解析了PETase催化PET塑料解聚的关键中间态；区分了核苷二磷酸激酶金属激活磷酸转移的不同机制假说。与典型QM/MM计算相比，速度提升约1000倍。

作者中包括多位机器学习势与AI科学方向的知名研究者（如C. Lawrence Zitnick、Zachary W. Ulissi、Andrew L. Ferguson等）。该工作确立了MLIP作为酶催化量子精度模拟实用路线的地位：对生物催化酶工程、塑料降解酶（PETase类）理性设计等应用而言，快速且保持QM精度的完整酶模拟意味着可以直接在真实蛋白环境中比较机制假说与评估突变效果，而不再受限于小体系Q/MM窗口。 （来源：arXiv）