Data / AI for Science

模型仿真与合成数据

整理 2026-10-15 · 来源与口径标注见正文
本文目录
  1. 一句话结论
  2. 生产方式
  3. 厂商与渠道
  4. 应用方式
  5. 规模、成本与价格
  6. 局限与争议
  7. 口径冲突与未核实
  8. 来源

一句话结论

  1. 物理仿真数据的算力已到大厂级：OMol25 为 1 亿（v1 摘要）至 1.4 亿以上（修订版）次 DFT 计算，约 60 亿 CPU 小时（LBNL 新闻稿引述，二手；论文只写“数十亿核小时”）[11][12]；对比 2020 年 ANI-1x / ANI-1ccx 约 1,400 万核小时 / 约 500 万点 [7]。每点成本从约 2.8 核小时升到约 43–60 CPU 小时（推算），规模与单点成本同时放大 1–2 个数量级。
  2. "蒸馏 / 自标注"已是结构预测模型的标准配方，比例因模型而异：AlphaFold2 最终训练约 75% 样本取自 355,993 条序列的自预测结构、约 25% 来自 PDB（二手转述）[13]；ESM3 在 2.78B 天然序列上经逆折叠扩到 3.15B 序列、236M 结构、771B token [19]；Boltz-2 主蒸馏集为约 5M 条 AlphaFold Protein Structure Database 单体 [21]。详见 AlphaFold DB 与结构蒸馏。
  3. AlphaFold Protein Structure Database 已由 2.14 亿扩至 241,070,489 条（v6），但同期移除 39,324,993 条、新增 65,711,653 条；"AFDB=2.14 亿"口径需更新 [41]。
  4. 仿真保真度越往下游越差（见 sim2real 保真度阶梯）：结构层可用，姿态层深度对接未超经典工具 [44]，亲和力层 Boltz-2 在 FEP+ 基准 Pearson 0.62 为开发者自报 [21]，细胞扰动层 scGPT 等未跑赢简单基线 [27]；疗效层只有 Unlearn 的 EMA 资格意见一条监管先例 [28]。
  5. 一代机理软件市场小而稳：Schrödinger（FEP+ / Bunsen） 2025 年总收入 2.56 亿美元、软件收入约 2.00 亿美元（+11%）、净亏 1.033 亿美元 [34]；晶泰控股 XtalPi 2025 年收入 8.026 亿元（+201%）首次全年盈利，但净利含公允价值收益 [33]。"三代仿真"（三代仿真框架）目前只有分类证据，无市场规模统计。

生产方式

本层数据按产生机制分三类：物理仿真（第一性原理或经验力场计算）、蒸馏与自标注（用已有模型的预测当标签）、生成式合成（模型生成序列、扰动或患者轨迹）。

物理仿真：分子动力学（MD）

数据集 内容与规模 方法 来源
mdCATH 5,398 个 CATH 结构域，每域 5 个温度（320–450 K）x 5 个副本；论文称累计 >62 ms；HF 卡片 134,925 条轨迹、62.6 ms、3.3 TB、平均域长 137 aa；每 1 ns 记录坐标和力；CC-BY-ND-4.0 ACEMD，CHARMM22* 力场，4 fs 步长，跑在 GPUGRID.net 志愿 GPU 上 [1][2]
ATLAS 第一版 1,390 条蛋白链，每链 3 x 100 ns，300 K，TIP3P，150 mM NaCl GROMACS 2019.6，CHARMM36m [3]
MISATO 约 20,000 个蛋白-配体复合物，半经验 QM 精修 + 显式水 MD，累计 >170 us；Nat. Comput. Sci. 2024 半经验 QM + MD [4]
D.E. Shaw Anton 专用 ASIC MD 机；Anton 3：512 节点、百万原子体系 >100 us/天；PSC 对非商业生物医学研究免费分配 专用硬件 [5]

mdCATH 单条轨迹平均仅约 0.46 us（62.6 ms / 134,925，推算），是"多温度短轨迹覆盖面"路线，不是长时间尺度路线；它是少数提供"力"的 MD 数据集，因此可训 ML 力场。志愿算力使其 GPU 小时无法折算，论文未给总 GPU 小时。

物理仿真：量子化学与材料 DFT

数据集 规模 理论水平 算力 来源
QM9 约 134k 稳定小有机分子（C,H,O,N,F），清洗后 130,831 ⚠️ 未回源核实 未查到 [6]
ANI-1x / ANI-1ccx 约 500 万 DFT 点，主动学习采样；ANI-1ccx 为约 50 万点 CCSD(T)*/CBS 子集 DFT 约 1,400 万核小时（二手检索） [7]
SPICE >110 万构象，15 种元素 ωB97M-D3(BJ)/def2-TZVPPD 未查到 [8]
OC20（Open Catalyst（OC20 / OMat24）） 1,281,040 次 DFT 弛豫，约 2.649 亿单点，82 种吸附物 DFT 未查到 [9]
OMat24（Open Catalyst（OC20 / OMat24）） 论文摘要 >1.1 亿；数据节 1.18 亿结构；三种扰动采样 DFT ⚠️ 仅二手聚合站称 >4 亿核小时，未核 [10]
OMol25 v1 摘要 >1 亿次，修订版 >1.4 亿次；83 种元素、最大 350 原子 ωB97M-V/def2-TZVPD 约 60 亿 CPU 小时（LBNL 新闻稿引 Samuel Blau，二手；论文仅写“数十亿核小时”） [11][12]

蒸馏与自标注

模型/资源 合成/蒸馏数据 占比或数字 来源
AlphaFold2 用初版模型预测 Uniclust 子集，再训最终模型 355,993 条序列；训练时约 75% 样本取自该自预测集，约 25% 取自聚类 PDB（NVIDIA 模型卡转述 Nature 论文，二手） [13]
OpenFold / OpenFold3 自蒸馏集：约 1,500 万 Uniclust30 MSA 中筛出约 270,000 条深 MSA，用原版 AF2 权重生成结构；44 张 A100；CASP15 域 GDT-TS 73.8 对 AF2 74.6；约 1,500 GPU 小时达最终精度 90% 270,000 [14]
OpenFold3 preview Apache 2.0；>30 万实验结构 + >1,300 万合成结构；NVIDIA 模型卡列三类蒸馏集合计约 1,300 万复合物 合成:实验约 40:1（按结构条目数，推算） [15][16]
AlphaFold3 补充材料含蒸馏数据集与采样权重章节 ⚠️ 具体权重未取到 [17]
ESM-IF1 用 AF2 预测 UniRef50 的 1,200 万条序列结构，较 PDB 增加近三个数量级；留出骨架序列恢复 51%，埋藏残基 72% 1,200 万 [18]
ESM3 天然 2.78B；对每个结构做逆折叠生成合成序列（ESMAtlas、AFDB 每结构 5 条，PDB 每结构 64 条）；训练时 50% 概率给原始对；增强后 3.15B 序列、236M 结构、539M 带功能注释、771B token；1.07e24 FLOPs，98B 参数 增量序列约 0.37B，占总序列约 12%（推算）；结构全部为预测（pLDDT≥0.7）或 2020-05-01 前 PDB [19]
Boltz-1 早期训练用 PDB + OpenFold 蒸馏集，后期仅 PDB 微调（二手） ⚠️ 比例未查到 [20]
Boltz-2 主蒸馏集：AFDB 约 5M 单体（lDDT≥0.5）；其余用 Boltz-1 预测 RNA、蛋白-DNA、蛋白-配体、TCR-pMHC、MHC；MD 数据：MISATO 11,235 系统、ATLAS 1,284 蛋白、mdCATH 5,270 系统 5M [21]
BioEmu（Microsoft，Science 2025-07） 先在 AFDB 上预训练，再用 MD 继续训练（摘要称 >200 ms；FU Berlin 稿称 >100 ms），再用 >50 万条实验稳定性数据微调；单 GPU 每小时数千个构象，称比 MD 少 1 万至 10 万倍 GPU 小时（公司口径） MD >100–200 ms [22]
Evo 2 OpenGenome2 = 8.84 万亿核苷酸（9.3 万亿为 40B 模型训练 token 数）；未发现合成基因组被用作训练输入的证据 合成占比未查到 [23]
Chai-1 训练截止 2021-01-12，架构与 AF3 相近 ⚠️ 蒸馏细节未取到 [24]

对接与打分产生的"伪亲和力"

  • VirtualFlow（Gorgulla 等，Nature 2020）：筛超过 10 亿化合物，发现 KEAP1 抑制剂 iKeap1（Kd 114 nM）；公开 >14 亿分子 ready-to-dock 库；HMS 称 1 万核集群约两周可筛 10 亿。VirtualFlow 2.0 预印本接入 Enamine REAL Space 690 亿分子 [25]。美元算力成本论文与新闻稿未给。
  • Lyu 等（Nature 2019）：对 1.7 亿个按需合成化合物做对接，AmpC 合成测试 44 个，D4 多巴胺受体 549 个；发现 81 个新化学型，30 个亚微摩，含 180 pM 的 D4 亚型选择性激动剂；D4 命中率随对接分数近单调下降，最高分段约 25%、最低分段 0% [26]。
  • 含义：对接分数是"富集过滤器"，不是亲和力真值；用它当标签训练的模型继承其系统误差（见局限）。

生成式合成与数字孪生

  • 蛋白设计：RFdiffusion / RFdiffusion2、ProteinMPNN、Chroma 的生成序列被用作下一代训练数据的做法，⚠️ 未取得带数字的一手来源；有数字证据的是 ESM3 的逆折叠合成序列和 ESM-IF1 的 AF2 预测结构。
  • in-silico 扰动：scGPT、scFoundation、GEARS、CPA 的扰动预测，Ahlmann-Eltze、Huber、Anders（Nature Methods 2025，22(8):1657）比较 5 个基础模型和 2 个深度模型对单/双基因扰动的预测，无一超过"无效应"与"加性"简单基线 [27]。
  • 数字孪生：Unlearn.AI 的 PROCOVA 把深度生成模型预测的"数字孪生"预后分数作协变量做调整；EMA 于 2022-09-20 通过最终资格意见（Phase 2/3）；FDA CDER 立场见公司自述（公司口径，未见 FDA 签发文件）[28][29]。

厂商与渠道

名称 国家 类型 规模口径 客户 融资 来源
深势科技 DP Technology 深势科技 CN 平台 / 软件 DPA-3.1-3M 参数 3.27M，OpenLAM-v1 163M 结构；LAMBench 17 任务零样本误差最低（论文自报） Bohrium 服务数百个高校/院所课题组；Hermite 客户含翰森、恒瑞（均公司口径） 2023-08 超 7 亿元；2025 末 C 轮超 8 亿元（约 1.14 亿美元，SCMP）；日媒称投后估值超 60 亿元；⚠️ 未查到港股 IPO 确认 [30][31][32]
晶泰控股 XtalPi 晶泰控股（2228.HK） CN 量子物理 + AI + 机器人实验 2025 收入 8.026 亿元（+201.2%），药物发现解决方案约 5.379 亿元，AI for Science 约 2.647 亿元；净利 1.346 亿元（含公允价值收益；2024 年净亏约 15.1 亿元）；现金约 70.7 亿元 覆盖全球前 20 药企中 17 家（公司口径） 2026 年发行可转债约 25.4 亿元 [33]
Schrödinger（FEP+ / Bunsen）（SDGR） US 软件（FEP+、Glide、Maestro；Bunsen AI co-scientist，2026-07-27 早期版；⚠️ 发布稿全文未能解码，仅核到日期） 2025 总收入 2.56 亿美元（+23%），软件约 2.00 亿美元（+11%），软件毛利率 74%，净亏 1.033 亿美元（2024：1.871 亿），现金等 4.023 亿美元；2026 软件 ACV 指引 2.18–2.28 亿美元 ⚠️ BMS 部署 Bunsen 仅第三方博客 上市公司 [34][35]
NVIDIA BioNeMo（NVIDIA） US 开源训练框架 + NIM 无单独收入口径；Evo 2 在 DGX Cloud on AWS 上训练 Arc Institute 联合发布 Evo 2 内部业务 [23][36]
Unlearn.AI US 数字孪生 Phase 2/3 阿尔茨海默等 药企 累计约 1.35 亿美元，2024-02 C 轮 5,000 万美元（Altimeter 领投）；之后未查到新轮 [28][29]
Meta FAIR US 数据集（OMol25、OMat24、OC20） 见上 开放 内部 [9][10][11]
Microsoft Research AI for Science US 模型（BioEmu） 见上 开放 内部 [22]
Apheris + AISB Network DE/GLOBAL OpenFold3 联邦微调 AbbVie、Astex、BMS、J&J、Takeda 各贡献数千个蛋白-小分子结构，10 周内完成微调（公司口径）；二手汇总 >20,000 条 药企 未查到 [15]
D.E. Shaw Research US Anton 专用 MD 机 见上 PSC 免费分配给非商业用户 未查到 [5]

开源与公共工具：

名称 许可与说明 来源
OpenMM ⚠️ 许可条款未回源 未查到
GROMACS ⚠️ 许可条款未回源 未查到
Rosetta 学术/非营利免费但需许可；商业使用需 UW CoMotion 另行许可，按年费，大公司有首年 30% ramp 费；RosettaCommons 与 UW 页面表述存在差异 [37]
OpenFold / OpenFold3 Apache 2.0；OpenFold Consortium [15]
mdCATH CC-BY-ND-4.0，禁衍生分发 [2]
Boltz-2 开源，与 Recursion 联合发布 [21]

应用方式

  • 预训练（扩充数据覆盖）：ESM-IF1、ESM3、BioEmu、OpenFold3、Boltz-2 均把预测结构当训练数据；ESM-IF1 与 BioEmu 依赖 AF2/AFDB 作"教师"，上限受教师约束。
  • 力场 / 势函数训练：SPICE、ANI-1x、OMol25、OMat24、OC20、mdCATH（含力）直接用于训 ML 势；DPA-3 在 OpenLAM-v1（163M 结构）上训练 [31]。
  • 评测：PoseBusters 检验对接 / 共折叠的物理有效性；LAMBench 用于大原子模型零样本评测 [31]。
  • reward / 验证替代：DFT / MD / 对接 / FEP 是湿实验的计算替代品。FEP+ 在药化里扮演"计算真值"，Schrödinger 自称接近 1 kcal/mol（公司口径）；独立研究：RNA/DNA 结合配体 100+ 配体综合 RMSE 1.39 kcal/mol、过半在 1 kcal/mol 内 [38]；2026 年一项 21 个可溶蛋白 34 个转化的评测 MUE 0.46 kcal/mol、R² 0.85（小样本）[39]。
  • 临床层：PROCOVA 用数字孪生预后分数作协变量以减少对照组样本；FDA 2025-01-06 发布《在药物与生物制品监管决策中使用 AI 的考量》草案（7 步可信度框架），截至所引文献仍为草案，评论指其未给出合成对照臂的可接受误差界 [40]。

保真度阶梯（sim2real）

详见 sim2real 保真度阶梯。仿真与真实世界的差距沿下表逐级放大。

层级 代表仿真 sim2real 证据 判断
结构 AF2 / OpenFold / Boltz 类预测 OpenFold 在 CASP15 域 GDT-TS 73.8 对 AF2 74.6 [14]；AF2 自身 75% 训练样本来自自蒸馏 [13] 可用，已成训练配方
姿态 深度对接 / 共折叠 PoseBusters：5 个深度对接方法无一在物理合理性或泛化上超过 AutoDock Vina 与 CCDC Gold [44]；⚠️ AF3 类在 PoseBusters 76–80% 的口径未回源 部分可用，需物理后处理
亲和力 对接分数 / FEP+ / Boltz-2 对接：D4 命中率最高分段约 25%、最低分段 0% [26]；FEP+：独立评测 RMSE 1.39 kcal/mol（RNA/DNA 配体）、MUE 0.46（小样本）[38][39]；Boltz-2 Pearson 0.62 为自报，⚠️ 无独立复核 [21] 富集可用，绝对值不可靠
细胞功能 in-silico 扰动（scGPT 等） 5 个基础模型无一超过加性 / 无效应基线 [27] 目前未成立
疗效 数字孪生 / 合成对照 EMA 2022-09 对 PROCOVA 资格意见（协变量用，非替代终点）[28]；FDA 指南仍为草案 [40] 仅一条监管先例

规模、成本与价格

每数据点算力成本

数据 总规模 总算力 每点算力 来源与备注
ANI-1x / ANI-1ccx 约 500 万点 约 1,400 万核小时 约 2.8 核小时（推算） [7]；小分子，较小基组
OMol25 1–1.4 亿点 约 60 亿 CPU 小时（二手） 约 43–60 CPU 小时（推算） [11][12]；最大 350 原子
OMat24 约 1.1–1.18 亿结构 ⚠️ 二手称 >4 亿核小时 约 3.4 核小时以上（推算） [10]；仅二手，不宜定论
mdCATH 134,925 条轨迹，62.6 ms GPU 小时未查到 每轨迹约 0.46 us [1][2]；志愿算力
FEP+ 相对结合自由能 每个微扰 综述转述：BACE 58 个微扰在 V100 上约 7.38 天；Flare 厂商称 TYK2 28 个微扰 106 GPU 小时 约 4 GPU 小时/微扰（量级） [46]；QligFEP 声称每微扰 <1 美元（AWS spot，非 FEP+，未验证）；FEP+ 官方价格未查到
AF2 / Boltz-2 推理 每复合物 Boltz-2 称比 FEP 快 >1000x（开发者自报） ⚠️ 绝对值未查到 [21]；OpenFold 复现约 1,500 GPU 小时达最终精度 90% [14]（训练，非每点推理）

美元折算（推算）：若按每 CPU 核小时 0.02–0.05 美元（假设值，非来源值），OMol25 的 60 亿 CPU 小时对应约 1.2–3 亿美元，每点约 1–3 美元。仅作数量级参考，不是公开披露成本。

与湿实验对照

本层未单独核湿实验价格，比较见 每数据点成本 与 真值与仿真成本比。可用锚点：对接富集后需实测 D4 549 个、AmpC 44 个化合物才得到 81 个新化学型 [26]，即对接 / FEP 的作用是把需测库从 1.7 亿压到数百，而非取代实测。

软件与平台价格

项目 口径 来源
Schrödinger 软件 ACV 指引 2.18–2.28 亿美元；Bunsen 定价未查到 [35]
Rosetta 商业年费，金额未查到 [37]
Anton 3 非商业用户经 PSC 申请免费 [5]
AlphaFold DB 公共库，v6 为 241,070,489 条 [41]

局限与争议

  1. 蒸馏上限等于教师：BioEmu、ESM-IF1、Boltz-2 以 AF2/AFDB 或前代 Boltz 为教师；Boltz-2 复合物蒸馏使用 Boltz-1 预测，属二级蒸馏，教师的系统误差会被继承并放大。AFDB 本身随 UniProt 流失（v6 新增 65.7M、移除 39.3M）[41]。
  2. 模型崩溃风险：Shumailov 等（Nature 631:755, 2024）显示对模型生成内容无差别递归训练会使分布尾部消失（LLM、VAE、GMM）[42]；对蛋白/结构类合成数据是否同样发生，⚠️ 未查到专门量化。ESM3 以"50% 概率给原始对"和 pLDDT/pTM 过滤缓解 [19]。
  3. 用对接 / 打分当标签失效：Chen 等（PLOS ONE 2019）指出 DUD-E 的类似物与诱饵偏差使 CNN 表现被高估，PDBbind 上训练的深度模型在 DUD-E 富集上未超过 AutoDock Vina [43]。PoseBusters 显示 5 个深度对接方法无一超过经典工具，力场能量最小化可作后处理补救 [44]。相关数据泄漏问题见 数据泄漏（训练-测试泄漏）、PDBbind / PDBbind+。
  4. 虚拟细胞 / 扰动预测：一手论文显示未跑赢线性基线 [27]。
  5. A-Lab 更正：A-Lab 在 Nature 2023 称 17 天连续运行从 58 个靶标合成 41 个新化合物；后续评论文章指出四类共性分析缺陷（自动 Rietveld 精修对粉末 XRD 不可靠、无序被忽视）并质疑"发现新材料"的结论，媒体报道有学者公开呼吁撤稿；原论文已于 2026-01-19 发布 Author Correction，并非撤稿；更正称“新”是相对预测平台而言，来源对 41/58 与 36/57 的口径不一，以更正正文为准（更正全文被登录墙拦截，据检索摘要）[47]。评论与回应部分出自媒体，⚠️ 未找到正式同行评审的反驳全文 [45]。
  6. 监管：FDA AI 指南仍为草案；合成对照臂缺少可接受误差界；Unlearn 的 FDA 立场为公司自述 [29][40]。
  7. 许可：mdCATH 的 ND 条款限制衍生；Rosetta 商用需付费，限制其作为训练数据生成工具的商业闭环 [2][37]。
  8. "三代仿真"框架证据状态（三代仿真框架）：一代机理软件（Schrödinger 软件收入约 2 亿美元、增速 11%，市场小而成熟 [34]）；二代数据驱动（OMol25 / OMat24 / mdCATH / BioEmu 以大规模一代计算为燃料，OMol25 即约 60 亿 CPU 小时，二手）；三代直接从 PDB / ChEMBL 学（ESM3、Evo 2 的数据以实验序列和预测结构为主，Evo 2 无合成输入证据，但细胞扰动任务上未跑赢线性基线 [27]）。该框架仍属分类法，无"每代市场规模 / 占比"的一手统计，⚠️ 未查到。

口径冲突与未核实

说法 A 说法 B 采信 原因
ATLAS 约 2,000 条 官方页第一版 1,390 条（MD 小节另写 1,522）；Boltz-2 实际用 1,284 条 1,390 条链 官方页一手；差异原因页面未解释 [3][21]
AlphaFold DB = 2.14 亿（2024 NAR，v4） v6 = 241,070,489 条 2.41 亿（v6），并注明净增约 2,600 万 官方发布说明；v6 同时移除 39.3M [41]
AF2 自蒸馏占训练集 25% 最终训练约 75% 采样来自自预测集，25% 来自 PDB 75% / 25%（标二手） 方向与前说相反；来自 NVIDIA 模型卡转述，⚠️ 尚未回源 Nature 补充材料 [13]
OMol25 1 亿+（v1 摘要） 1.4 亿+（修订版 PDF） 1–1.4 亿并列 版本差异；CPU 小时仅 LBNL 新闻稿引述，论文摘要只写"数十亿核小时" [11][12]
OMat24 摘要 >1.1 亿 数据节 1.18 亿；二手站 >4 亿核小时 1.1–1.18 亿；核小时不采信 摘要与数据节口径不同；核小时未回源 [10]
mdCATH 温度 320–413 K（arXiv v1 / HF 卡片） 320–450 K（Sci. Data 版） 320–450 K 期刊版为终稿；力场 CHARMM22* [1][2]
Evo 2 数据 9.3 万亿 OpenGenome2 = 8.84 万亿核苷酸 8.84 万亿 9.3 万亿是 40B 模型训练 token 数，二者不可混用 [23]
晶泰净利 1.346 亿元 部分媒体 1.24 亿（归母口径）；一转述稿写收入 80.3 亿元 收入 8.026 亿元，净利 1.346 亿元（含公允价值收益） 80.3 亿为单位错；港股代码核得 2228；市值未回源，不采用 [33]
Schrödinger 软件毛利率 74% Q4 单季 81% 全年 74% 口径区分：全年 vs 单季 [34]
Boltz-2 Pearson 0.62、快 FEP >1000x 另有报道称 Roche 内部靶点开箱 0.65（二手） 0.62（开发者自报） 无独立第三方复核 [21]
Unlearn EMA 意见适用 Phase 2/3 一篇稿写成 Phase I 和 III Phase 2/3 后者为误 [28]
Chai-2 命中率"近 20%"（新闻稿） 预印本：16% / 52 靶中 50% 至少一个命中 预印本口径 一手优先 [24]
AF3 PoseBusters 76–80% 与 FEP 公开集 1.73 vs 私有集 2.44 kcal/mol 尚未回源 不采信为定论 ⚠️ 无一手来源

来源

均访问 2026-10-15。

  1. mdCATH 摘要 https://arxiv.org/abs/2407.14794
  2. mdCATH 论文 https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11643217/ ；HF 卡片 https://huggingface.co/datasets/compsciencelab/mdCATH
  3. ATLAS https://www.dsimb.inserm.fr/ATLAS/about.html
  4. MISATO https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11136668/ ；https://zenodo.org/record/7711953
  5. Anton https://en.wikipedia.org/wiki/Anton_(computer) ；https://sc21.supercomputing.org/proceedings/tech_paper/tech_paper_pages/gb101.html ；https://www.ccl.net/chemistry/resources/messages/2025/08/01.001-dir/index.html
  6. QM9 https://www.tensorflow.org/datasets/catalog/qm9
  7. ANI-1x https://link.springer.com/10.1038/s41597-020-0473-z ；https://arxiv.org/pdf/1801.09319
  8. SPICE https://arxiv.org/pdf/2209.10702v1 ；https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9813265/
  9. OC20 https://arxiv.org/abs/2010.09990v4
  10. OMat24 https://arxiv.org/pdf/2410.12771 ；https://hyper.ai/en/datasets/35287（二手）
  11. OMol25 https://arxiv.org/abs/2505.08762
  12. LBNL 新闻稿 https://newscenter.lbl.gov/2025/05/14/computational-chemistry-unlocked-a-record-breaking-dataset-to-train-ai-models-has-launched/
  13. NVIDIA AF2 模型卡（二手，转述 Nature 2021） https://docs.api.nvidia.com/nim/reference/deepmind-alphafold2
  14. OpenFold https://www.biorxiv.org/content/10.1101/2022.11.20.517210v2.full ；https://arxiv.org/pdf/2308.05326
  15. OpenFold3 / Apheris https://www.rdworldonline.com/openfold3-debuts-as-apache-licensed-protein-co-folding-model-with-apheris-bringing-it-into-pharma-it/ ；https://www.apheris.com/resources/alquraishi-lab-s-openfold3-to-be-fine-tuned-with-pharma-industry-data-in-a-secure-ai-collaboration
  16. NVIDIA OpenFold3 模型卡 https://docs.api.nvidia.com/nim/reference/openfold-openfold3
  17. AlphaFold 3 补充材料 https://zhanggroup.org/teaching/literature/Abramson_alphafold3_2024_support.pdf
  18. ESM-IF1 https://www.biorxiv.org/content/10.1101/2022.04.10.487779.full.pdf
  19. ESM3 https://www.biorxiv.org/content/10.1101/2024.07.01.600583v1.full
  20. Boltz-1 训练转述（二手） https://arxiv.org/pdf/2512.24354
  21. Boltz-2 https://www.biorxiv.org/content/10.1101/2025.06.14.659707v1.full ；https://boltz.bio/boltz2
  22. BioEmu https://www.microsoft.com/en-us/research/blog/exploring-the-structural-changes-driving-protein-function-with-bioemu-1 ；https://www.fu-berlin.de/en/presse/informationen/fup/2025/fup_25_120-proteinmodellierung-bioemu-noe/index.html
  23. Evo 2 https://www.biorxiv.org/content/10.1101/2025.02.18.638918.full.pdf ；https://www.mobihealthnews.com/news/nvidia-arc-institute-partner-ai-model-genetic-code-all-domains-life
  24. Chai-1 https://www.biopharmatrend.com/news/chai-discovery-releases-foundation-model-for-zero-shot-antibody-design-with-1620-hit-rates-1309/ ；https://arxiv.org/pdf/2512.24354
  25. VirtualFlow https://www.fu-berlin.de/en/presse/informationen/fup/2020/fup_20_071-virtual-flow/index.html ；https://drugtargetreview.com/?p=57493 ；https://www.biorxiv.org/node/3118097
  26. Lyu 等 https://enamine.net/publications/1029-ultra-large-library-docking-for-discovering-new-chemotypes ；https://pmc.ncbi.nlm.nih.gov/articles/PMC6383769
  27. 扰动预测基线 https://pmc.ncbi.nlm.nih.gov/articles/PMC12328236/ ；https://www.biorxiv.org/content/10.1101/2024.09.16.613342.full.pdf
  28. Unlearn / EMA https://www.clinicaltrialsarena.com/news/ema-qualifies-unlearn-approach/ ；https://www.unlearn.ai/resources/summary-of-the-ema-september-2022-qualification-opinion-for-procova-tm
  29. Unlearn / FDA 与融资（公司口径） https://unlearnai.substack.com/p/us-fda-comments-on-unlearns-procova ；https://waya.media/us-based-unlearn-ai-secures-usd50-million-in-series-c-funding/
  30. 深势科技融资 https://www.scmp.com/business/companies/article/3337648/ai-science-start-dp-technology-raises-us114-million-series-c-round ；https://36kr.jp/454066/
  31. DPA-3 / LAMBench https://arxiv.org/abs/2506.01686v3 ；https://matbench-discovery.materialsproject.org/models/dpa-3.1-3m-ft
  32. 深势产品与客户 https://www.jiemian.com/article/9950844.html ；https://blogs.deepmodeling.com/Uni-Mol_29_05_2025/ ；https://www.dp.tech/en/product/bohrium
  33. 晶泰 2025 业绩 https://www.itiger.com/news/2622747110 ；https://www.itiger.com/news/1142970847
  34. Schrödinger 2025 全年业绩 https://businesswire.com/news/home/20260225969788/en/Schrdinger-Reports-Fourth-Quarter-and-Full-Year-2025-Financial-Results
  35. Schrödinger Bunsen 与 2026Q2 业绩 https://s203.q4cdn.com/609444515/files/doc_news/Schrdinger-Introduces-Bunsen-an-AI-Co-Scientist-for-Molecular-Discovery-2026.pdf（仅用元数据日期）；https://www.biospace.com/press-releases/schrodinger-reports-second-quarter-2026-financial-results
  36. NVIDIA BioNeMo https://build.nvidia.com/nim?q=BioNemo
  37. Rosetta 许可 https://rosettacommons.org/about/faq ；https://els2.comotion.uw.edu/product/rosetta/print
  38. FEP 精度 https://chemrxiv.org/engage/chemrxiv/article-details/66c91d13a4e53c48766cf76e ；https://www.schrodinger.com/fep
  39. FEP 2026 评测 https://pubs.rsc.org/en/content/articlehtml/2026/md/d5md00748h
  40. FDA AI 指南草案 https://www.hoganlovells.com/en/publications/fdas-evolving-regulatory-framework-for-ai-use-in-drug-device-clinical-trials-and-research ；https://arxiv.org/pdf/2605.23246
  41. AlphaFold DB 发布说明 https://www.ebi.ac.uk/pdbe/news/alphafold-database-release-notes ；https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10767828/
  42. Shumailov 等 https://oatml.cs.ox.ac.uk/publications/202407_Shumailov_ModelCollapse.html
  43. DUD-E 偏差 https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6701836/
  44. PoseBusters https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10901501/
  45. A-Lab 争议 https://www.theregister.com/2024/01/31/ai_chemistry_research_disputed/ ；https://par.nsf.gov/servlets/purl/10532478 ；https://pmc.ncbi.nlm.nih.gov/articles/PMC10700133
  46. FEP 算力转述 https://arxiv.org/pdf/2512.06141 ；https://learn.schrodinger.com/public/getting-started/2025-2/system_requirements/Content/fep/fep_user_manual/fep_performance.htm
  47. A-Lab 作者更正（2026-01-19，据检索摘要） https://www.ncbi.nlm.nih.gov/pmc/articles/PMC12872444/

本章涉及的实体

Schrödinger（FEP+ / Bunsen）公司与机构 · 美国
机理仿真软件龙头，FEP+ 是药化界的计算真值
Unlearn.AI公司与机构 · 美国
用数字孪生预后分数做协变量调整的临床试验 AI 公司
晶泰控股 XtalPi公司与机构 · 中国
量子物理加 AI 加机器人实验的药物与材料研发平台，港股 2228
深势科技 DP Technology公司与机构 · 中国
北京 AI for Science 公司，DeePMD / Uni-Mol / Bohrium
AlphaFold DB 与结构蒸馏概念与方法
用预测结构当训练数据的做法，AF2 约 75% 训练样本取自自蒸馏
sim2real 保真度阶梯概念与方法
仿真可信度沿结构、姿态、亲和力、细胞、疗效逐级放大衰减
三代仿真框架概念与方法
一代机理软件、二代数据驱动势与动力学、三代直接从数据库学习
ANI-1x / ANI-1ccx数据集
约 500 万 DFT 点的主动学习采样数据集，约 1,400 万核小时
ATLAS数据集
蛋白动力学 MD 库，第一版 1,390 条链，每链 3×100 ns
MISATO数据集
约 2 万蛋白-配体复合物的 QM 精修加 MD 数据集
OMol25数据集
Meta FAIR 的 1–1.4 亿次 DFT 分子数据集，算力约 60 亿 CPU 小时（二手）
Open Catalyst（OC20 / OMat24）数据集
Meta FAIR 的催化与材料 DFT 数据集，OC20 与 OMat24
QM9数据集
约 13.4 万稳定小有机分子的量子化学基准，2014 年发布
SPICE数据集
>110 万构象、15 种元素的小分子与肽类量子化学数据集
mdCATH数据集
含力信息的多温度蛋白 MD 数据集，覆盖 5,398 个 CATH 结构域
A-Lab工具与格式 · 美国
Berkeley/LBNL 的自驱材料合成实验室，2026-01 作者更正
BindCraft工具与格式 · 瑞士
基于 AlphaFold2 反向传播的开源 de novo binder 设计管线
BioEmu工具与格式
微软的蛋白构象系综生成模型，单 GPU 每小时数千构象
Bohrium工具与格式 · 中国
深势科技的云科研平台，服务数百高校课题组（公司口径）
GROMACS工具与格式
开源 MD 引擎，ATLAS 数据集所用（v2019.6）
NVIDIA BioNeMo工具与格式
NVIDIA 的开源生物训练框架加 NIM 微服务
OpenFold / OpenFold3工具与格式
AF2 的开源复现，自蒸馏集约 27 万；OpenFold3 采用 Apache 2.0
OpenMM工具与格式
开源 GPU 加速分子动力学引擎
RDKit工具与格式 · 全球
开源化学信息学工具包，分子表示与指纹的事实标准
Rosetta工具与格式
结构建模与蛋白设计套件，学术免费、商用需年费许可
VirtualFlow工具与格式
开源超大规模虚拟筛选平台，筛过 >10 亿化合物

本文为个人研究笔记，结论基于成文时可获得的公开信息；带〔估算〕〔推断〕或 ⚠️ 的数字未经独立核实。