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
- Open 推出 Open for Sales：一条 prompt 搭建语音邮件 WhatsApp 营销活动 — ycombinator · 2026-10-27
- Rork 一键本地化截图，App 商店素材自动适配 10 种语言 — rudrank · 2026-10-27
- HeyGen 联手 Canva:幻灯片讲者备注自动变数字人讲解视频 — HeyGen · 2026-10-27
- Google Docs 与 Drive 原生支持 Markdown,主打人机协作 — rseroter · 2026-10-27
- Krea 推出 Premiere Pro 插件:剪辑时间线内直接生成视频与音效 — lmoroney · 2026-10-27
- Meta 测试 Muse 桌面端 Live Avatar：虚拟形象伴聊窗口曝光 — testingcatalog · 2026-10-27