蛋白质并不是静止的“分子机器”，而是在不同构象之间不断变化的动态体系。理解这些结构变化过程，对于揭示生命活动机制、发现新药以及设计新型蛋白质具有重要意义。

近年来，AlphaFold等人工智能技术极大推动了蛋白质结构预测的发展。然而，准确预测一个静态结构只是起点。蛋白质功能往往依赖于多个构象状态之间的转换，包括短暂存在的高能态和关键过渡态，而这些动态过程仍难以被单一技术完整捕获。

近日，生命科学学院生物物理研究所王勇研究员课题组联合哥本哈根大学Linderstrøm-Lang蛋白质科学中心，在国际期刊《Advanced Science》发表综述文章“AI-Physics-Experiment Trinity for Integrated Protein Dynamics Modeling”，系统总结了人工智能、物理建模和实验技术在蛋白质动态研究中的发展现状，并提出了以分子模拟为核心纽带的“AI-物理-实验”三位一体研究框架。

此前，王勇课题组曾受邀在科技部《前沿科学》“生物大分子的结构与功能”专辑中综述物理建模与结构生物学实验融合的发展趋势。

AI、物理与实验优势互补

实验技术能够提供真实的蛋白质结构和动力学信息，但对于低丰度的瞬态构象仍存在观测困难；分子动力学模拟能够在原子尺度追踪蛋白质运动，解析自由能变化和状态转换，但受到计算成本、采样效率和模型精度的限制；人工智能则擅长从大规模数据中学习复杂规律，实现快速的结构预测和构象生成，但仍面临动态数据不足、物理合理性和可解释性等挑战。

因此，未来蛋白质动态研究需要突破单一技术路线，通过多种方法的深度融合实现优势互补。

该综述提出，以分子模拟作为连接实验数据和人工智能模型的“物理桥梁”，通过“数据采集-模型构建-构象采样-状态分析-实验验证-模型优化”的循环迭代，可逐步建立更加全面的蛋白质动态模型，从而突破“盲人摸象”困境，“看清”生物大分子的能量景观的全貌。

面向下一代蛋白质研究的挑战与机遇

文章指出，蛋白质动态建模仍面临多源实验数据整合、高效采样方法开发、AI模型可靠性提升以及高质量动态数据不足等挑战。

未来，需要建设更加系统的蛋白质动态数据库，发展结合物理规律的人工智能方法，并建立更加开放、标准化的计算工具，推动实验与计算研究更加紧密结合。

从预测单一结构，到理解蛋白质构象变化和功能机制，蛋白质研究正在进入动态化、智能化的新阶段。AI、物理与实验的融合，有望推动蛋白质动力学研究从“解释过去”走向“预测未来”，并为蛋白质设计、药物研发和疾病机制研究提供新的技术支撑。

该论文以浙江大学博士研究生时晨和国际硕士研究生Minying Low为第一、第二作者，浙江大学航空航天学院力学系副教授修鹏、哥本哈根大学生物中心教授Kresten Lindorff-Larsen为共同作者，浙江大学生命科学学院王勇研究员为唯一通讯作者。该研究得到国家自然科学基金和浙江大学求是飞鹰计划等项目资助。