【ZiDongHua 之“智能自动化”收录关键词：文远知行 自动驾驶 激光雷达 传感器 智慧出行 智慧货运 智慧环卫】

自动化FEP受热烈欢迎，Agent与计算工具结合成热点议题|Uni-FEP Workshop在美成功举办

2025年7月，Atombeat Inc.组织的Uni-FEP Workshop系列研讨会在美国波士顿和旧金山成功举办。活动汇聚来自学界与产业界的计算药物研发专家，围绕自由能微扰技术的最新进展、人工智能在药物研发中的应用与挑战等前沿议题进行了深入交流。

本次研讨会邀请了多位美国AIDD领域的知名专家进行报告与圆桌讨论，包括卡内基梅隆大学Olexandr Isayev教授、匹兹堡大学Junmei Wang教授、加州大学伯克利分校Bingqing Cheng教授、英伟达Emine Kucukbenli博士、英伟达Yuxing Peng博士、阿斯利康Ming Tommy Tang博士、耀速科技Zhiyong Sean Xie博士和卡内基梅隆大学Fillip Gusev。

研讨会吸引了超过200名来自制药企业、生物技术公司和学术研究机构的专业人士报名参与，共同探讨计算模拟与人工智能在药物研发中的机遇与挑战。

01    焦点直击：

自动化FEP工作流受热烈

欢迎自由能微扰(Free Energy Perturbation, FEP)技术因能提供化学精度的结合自由能预测，已成为全球制药行业的“黄金标准”。然而，传统FEP流程中，超过80%的计算失败都源于蛋白-配体初始结构准备不当，且过程耗时耗力，尤其对专家资源有限的生物技术公司构成巨大挑战。

一键构建高质量体系： 深势科技郑行博士重磅介绍了Uni-FEP Workflow。它能在仅提供蛋白结构和参考分子的基础上，全自动完成蛋白修复、配体质子态选择、结构对齐等复杂步骤，生成高质量初始结构，大幅降低FEP计算门槛和工作量!这一“自动化利器”引发了现场用户的热烈反响。

权威基准集奠定信心： 基于自动化工作流，深势科技构建了业内最大的评估数据集Uni-FEP-Benchmarks(截止至会议时，包含376个靶点、6341个独特配体结构，涵盖实验活性与计算自由能)。与会专家如Olexandr Isayev教授、Junmei Wang教授均高度评价其价值，认为它能有力验证Uni-FEP的实际效果，增强用户对FEP技术的信心。Fillip Gusev更指出这是研究人员学习和掌握FEP的“最佳实践指南”。

02    前沿热议：

AI Agent + 计算工具 = 未来?

与会专家就如何提升计算工具在药物设计中的效能展开了讨论，降低使用门槛与AI Agent的整合成为焦点。

降低技术门槛： Ming Tommy Tang博士强调，降低工具调用和参数设置的技术门槛，让一线药物化学家无需成为软件专家就能获得结果至关重要。软件首先应该能被使用，才有可能发挥价值。

灵活接口设计： Olexandr Isayev教授建议，应该面向不同用户群体提供差异化接口，面向药物化学家需提供无需编码的图形界面，而对CADD专家则需提供灵活的API接口以构建复杂流程。

AI Agent的应用潜力： Emine Kucukbenli博士提出，将计算工具与大型语言模型(LLM)和AI Agent连接，可降低使用复杂度，更能智能化构建和优化药物研发工作流。Junmei Wang教授对此方向表示期待。

前瞻性工具设计： Yuxing Peng博士更前瞻性地指出，新工具在设计之初就应考虑与主动学习、强化学习、AI Agent的连接接口，最大化释放其潜力。

03    提升FEP精度的关键：

采样与力场

计算工具的预测精度是其核心价值所在，FEP的准确性高度依赖于采样效率与力场精度。

采样算法优化：

深势科技王新颜博士介绍了Uni-FEP在采样算法上的进展，集成了端点翻转蒙特卡洛增强采样(Terminal Flip Monte Carlo)与水交换采样(Water Swap Monte Carlo)算法。在最新的公开测试集(Commun. Chem., 2023)上，Uni-FEP的计算精度达到与Schrodinger FEP+相当的水平。

Emine Kucukbenli博士和Yuxing Peng博士都认为，当下的计算模拟软件尚没有充分利用英伟达新型GPU的全部潜力，很多新功能尚未在科学计算场景得到应用。开发者可以与英伟达研发团队构建更紧密的连接，让计算模拟软件更充分的利用。

力场研究进展：

Olexandr Isayev教授展示了AIMNet2模型在药物设计多环节(势能面拟合、构象搜索、活性评估)的应用成果，王新颜博士介绍了Uni-FEP利用AIMNet2进行力场参数微调与自由能端点校正的对FEP计算结果带来的显著提升。

Bingqing Cheng教授指出长程相互作用对提升大原子基模型精度的关键性，并介绍了其团队开发的Latent Ewald summation模型。

Junmei Wang教授展示了其团队开发的ABCG2原子电荷模型在物理性质复现上的高精度，并介绍了基于MM/GBSA与机器学习的快速结合能预测方案IPSF。

04    AI模型：跨越“实用”门槛

专家们就如何提升AI模型在药物研发中的实际效用分享了见解。

跨越实用性阈值： Zhiyong Sean Xie博士指出，在没有跨越实用性阈值前，AI模型在基准测试集上为百分之几的提升意义不大。只有跨越实用性阈值后，人们才会真正使用它。

模型可信度与物理约束： Emine Kucukbenli博士强调，AI模型必须提供可靠的误差估计，帮助用户判断结果可信度。融合物理原理是克服数据缺失挑战的有效途径。

FEP与AI结合：Fillip Gusev提出，将FEP计算与AI建模结合，可高效构建针对特定靶点的可靠亲和力预测模型，解决物理模拟速度瓶颈。

模拟数据赋能AI： Yuxing Peng博士类比自动驾驶，指出分子模拟产生的生物系统动态数据是训练科学AI模型的宝贵资源，需充分发挥分子模拟在AI建模中的基石作用。

研讨会后，与会者们一起观看了Hermite Uni-FEP的操作演示，引起了现场的广泛兴趣。多位产业界研发人员详细询问了Uni-FEP和Workflow的技术细节，对其自动化能力和计算精度表示认可。学术界专家则表达了在自由能计算方法开发、力场优化、数据共享及AI模型构建等方面与深势科技开展合作的意向。

本次Uni-FEP Workshop系列活动的成功举办，不仅充分展现了美国学界与业界对AI for Life Science的高度热情与深度思考，更以实际的产品力和前沿洞见，有力印证了深势科技在该领域的全球领先技术实力与产品竞争力!AI与计算工具的深度融合，正为药物研发开启激动人心的新篇章。

关于深势科技

深势科技是全球 AI for Science 领导者，AI for Science 即运用 AI 学习一系列的科学原理和科学知识，并进一步解决科学研究和工业研发领域的关键问题。依托在交叉学科领域的深耕，构建了“深势·宇知”AI for Science 大模型体系，并进一步解决科学研究和工业研发领域的关键问题，将众多学科的科研方法从“实验试错 / 计算机”时代带入了“预训练模型时代”，形成了 AI for Science 的“创新-落地”链路和开放生态，构建了基于 AI for Science 的微尺度工业基础设施，赋能“千行百业”，为人类经济发展最基础的生物医药、能源、材料和信息科学与工程研究打造新一代研发系统。深势科技是国家高新技术企业、国家专精特新“小巨人”企业，在北京、上海、深圳等城市布局研发中心。科研技术团队由中国科学院院士领衔，汇集了超百位数学、物理、化学、生物、材料、计算机等多个领域的优秀青年科学家和工程师，其中博士及博士后在公司成员中占比超过 35%。核心成员获得过 2020 年全球高性能计算领域的最高奖项“戈登贝尔奖”，相关工作入选 2020 年中国十大科技进展和全球 AI 领域十大技术突破。