分子性质预测是药物发现与材料设计中的高频环节：候选化合物的溶解性、毒性、PCE 等性质的实验测定成本高昂，DFT 等量子化学计算又受限于体系规模。深度学习为此提供了新的求解范式——将分子表示为图结构，用图神经网络端到端地学习"分子结构 → 性质"的映射，在海量历史数据上训练后即可对新分子进行快速性质评估。chemprop由 MIT 课题组开发（Yang et al., 2019 发表于），采用 M

分子性质预测是药物发现与材料设计中的高频环节：候选化合物的溶解性、毒性、PCE 等性质的实验测定成本高昂，DFT 等量子化学计算又受限于体系规模。深度学习为此提供了新的求解范式——将分子表示为图结构，用图神经网络端到端地学习"分子结构 → 性质"的映射，在海量历史数据上训练后即可对新分子进行快速性质评估。chemprop由 MIT 课题组开发（Yang et al., 2019 发表于），采用 M

原子间势（Interatomic Potentials）是连接量子力学与大规模原子模拟的桥梁：第一性原理方法（如密度泛函理论，DFT）精度高，但可处理的体系规模通常限于数百个原子；经典经验势可以处理百万级原子体系，但精度依赖于固定的函数形式。机器学习势（Machine Learning Potentials）为这一矛盾提供了新的求解范式——在 DFT 数据上训练模型，以经验势的运行方式获得接近第一

原子间势（Interatomic Potentials）是连接量子力学与大规模原子模拟的桥梁：第一性原理方法（如密度泛函理论，DFT）精度高，但可处理的体系规模通常限于数百个原子；经典经验势可以处理百万级原子体系，但精度依赖于固定的函数形式。机器学习势（Machine Learning Potentials）为这一矛盾提供了新的求解范式——在 DFT 数据上训练模型，以经验势的运行方式获得接近第一

Boltz-2是由MIT CSAIL与Recursion公司联合开发的下一代生物分子基础模型，创新性地将3D结构预测与结合亲和力预测统一建模。该模型在FEP+基准测试中达到0.62的Pearson相关系数，预测速度较传统方法提升1000倍（约20秒/次），支持蛋白质、DNA、RNA及配体复合物的结构预测与亲和力评估。文章详细介绍了Boltz-2的四大核心模块（Trunk主干网络、去噪模块、置信度模

Boltz-2是由MIT CSAIL与Recursion公司联合开发的下一代生物分子基础模型，创新性地将3D结构预测与结合亲和力预测统一建模。该模型在FEP+基准测试中达到0.62的Pearson相关系数，预测速度较传统方法提升1000倍（约20秒/次），支持蛋白质、DNA、RNA及配体复合物的结构预测与亲和力评估。文章详细介绍了Boltz-2的四大核心模块（Trunk主干网络、去噪模块、置信度模