双模型流水线预测溶液NMR位移
bravo_abad · x · 2026-07-20
这篇工作把两个机器学习模型串联起来，更准确也更快地预测溶液态 NMR 化学位移。
方法
- 用 MACE 和更新的 UMA foundation model 作为机器学习势，低成本生成逼真的分子动力学轨迹。
- 再把得到的显式溶剂/溶质快照送入 ShiftML3，后者原本是训练在晶体屏蔽值上的模型。
- 对数十万帧做平均，得到定量化学位移预测。
为什么重要
传统带隐式溶剂的 DFT 对 可交换质子（如 O-H、N-H）处理很差，因为它会抹平溶剂和氢键环境的影响。这个 ML 流水线保留了这些相互作用，因此更能处理难例。
结果
- 覆盖了水在七种溶剂中的情况、醇类、氢键结合的核碱基对、葡萄糖异头体和烷基化乙酰胺。
- 与实验的相关性从隐式溶剂 DFT 的 R² = 0.68 提升到 R² = 0.96。
- 作者称其速度比 DFT-MD 基线快 3–4 个数量级。
结论
核心思路是把原本训练在别的领域的模型重新组合成一个低成本、物理上可信的流程。作者认为，这有望把 NMR 从“验证步骤”变成药物发现和材料表征里的筛选工具。
「应用」频道最新
- Strangeworks 推出 Aura，把企业运营变成优化系统 — whurley · 2026-07-22
- OpenAI 在 GPT-Live 推出语音功能，界面却遮住搜索联动 — Graham_dePenros · 2026-07-22
- Meta AI 文本框支持图文交错输入 — ezyang · 2026-07-22
- Rendergeist Pulse 新增文字叠加、预设和高画质导出 — bennash · 2026-07-22
- EmblemVault 接入 DefinitiveFi Flash，补上限价止损与多次入场 — adamamcbride · 2026-07-22
- 有人用 MCP 做了个 demo，主张商店应把价格和购物车开放给 AI — gelembjuk · 2026-07-22