计算化学的应用

计算化学使研究人员能够探索种类繁多、范围广泛的化学空间 ，因为在计算机上绘制分子要比在实验室中合成、纯化和表征分子容易得多。

如果应用得当，计算化学能够通过准确模拟和预测相关性质，在计算机上有效地“让分子活起来”。例如，小分子配体与蛋白质靶点 的结合亲和力 ，其计算精度可与湿实验室实验相当。

在计算化学领域，基于第一性原理的基于物理理论 方法能够实现与实验精度相当的预测精度，且应用范围广泛，但其计算成本通常高于其他方法。另一方面，机器学习（ML） （ML）方法通过在数据集上进行训练来构建模型，目前也正被应用于分子设计。这些ML方法能够更快地生成结果，但在探索与机器学习（ML） 模型所基于的数据集相关的化学空间 时效果最佳，这限制了其适用范围。

将基于物理理论 与机器学习（ML）方法相结合，既能发挥两者的优势，又能加速分子设计领域的科学进步。 例如，将主动学习整合到基于物理理论 分子分子对接 中，既能高效评估规模庞大的化学化合物库，又能保持高水平的性能。通过在分子对接 算法中融入主动学习，每秒可测试约 30,000 个化合物，而典型的非机器学习方法每 30 秒仅能处理约 1 个化合物——这意味着速度提升了 104 倍。

将计算化学付诸实践

许多行业正在利用计算化学方法和分子建模 来推动药品、包装材料、电池等领域的创新。计算化学的一些应用包括：

• 药物设计
• 药物化学设计
• 化学信息学
• 消费包装品
• 蛋白质/抗体 工程
• 酶设计
• 有机电子
• 药物制剂
• 催化设计
• 聚合物设计
• 表面化学
• 能源捕获与储存
• 先导化合物 优化
• 药物靶点 验证
• 半导体
• 肽设计
• 金属、合金和陶瓷的设计

使用计算化学的好处

计算化学旨在利用基于量子物理和经典物理的各种计算方法，对分子结构和性质进行模拟与预测。机器学习（ML） 的进步也通过提高计算速度，使计算化学变得更加高效。

计算化学方法可减少在合成、检测及其他实验工作中耗费的时间、资金和试剂资源。机器学习（ML） 应用通过提高复杂计算的速度（有时可提高几个数量级），能进一步增强计算化学的效能。通过将机器学习（ML） 与基于物理理论 算法精心整合，数字化化学设计可轻松超越传统湿实验室设计。这种时间节省直接转化为成本节约。 此外，这些方法还允许探索更广阔的化学空间 ，从而大大增加了发现意想不到的新型分子的可能性。在快节奏的分子设计领域，"先申请专利"往往意味着研究项目的成败，而数字化学带来的速度和广度的提升，则增加了获得知识产权的机会。

计算化学在实际中的应用

计算化学加速药物设计

在药物研发项目中，计算工具能够以传统实验室实验无法企及的时间和成本，对化学空间 进行探索。

例如，近期通过采用广域搜索算法和云计算技术，对化学空间这一庞大分子库（其中超过 10 亿个分子已通过计算表征）进行了探索，从而加速了先导化合物 优化 相关进程，旨在设计新的 D-氨基酸氧化酶（DAO）抑制剂。 DAO是用于治疗精神分裂症的靶点 。本研究展示了如何应用化学枚举、性质筛选、机器学习（ML） 以及严谨的自由能微扰 计算，来设计新型小分子药物并解决多参数优化 问题。

产品开发方面的研发工作消费包装品

在消费包装品 （CPG）行业，制造商在开发新产品时需要综合考虑成本、性能和可持续性。

计算化学模型和模拟技术通过实现新材料的快速筛选 、设计和测试，从而缩短了研发周期并降低了成本。生产健康、卫生和营养类消费品的瑞凯特（Reckitt）公司在其研发过程中采用量子力学(QM) 和分子动力学 (MD) 等计算工具来加速创新。该公司详细介绍了如何运用数字化学技术设计更可持续的材料，以及与仅依靠实验的方法相比，这种方法如何将研发周期平均缩短了10倍。

基于物理理论 通过仿真开发新能源解决方案

计算化学方法的另一个令人兴奋的应用，是利用原子尺度的材料建模来设计新型电池和储能解决方案。

已研究过的材料行为包括离子扩散、电极和电解质中的电化学响应、介电性能、力学响应等。该计算方法已被用于筛选能够形成稳定固态电解质界面（SEI）的锂离子电池添加剂。

借助Schrödinger的开创性计算平台推动研发

在Schrödinger ，我们的基于物理理论 计算平台使全球各地的企业能够利用计算化学方法的优势，并将其快速、便捷地应用于研发项目。在过去的 30 年里，Schrödinger的建模软件和服务助力各行业发现了高质量的新型分子和材料——如上文所述的某些案例所示。

分子在 Maestro——这个精简的门户平台，不仅支持结构可视化，还可访问最前沿的预测性计算建模以及机器学习（ML） 工作流。研究人员还可以在 LiveDesign中，将数字数据与实验数据并列呈现——该平台是Schrödinger专为企业打造的信息学平台，用于协作分析、分子设计和项目管理。

随着基于物理理论 建模的预测和分析能力不断进步，并借助新增的机器学习模型得到增强，受计算化学影响的众多应用领域也将持续扩展。