2026-06-11 チャルマース工科大学
◆創薬では候補化合物の評価に膨大な分子動力学計算が必要となるが、従来法では原子間相互作用をフェムト秒単位で逐次計算するため、多大な計算資源を要していた。新モデルは、分子運動の個別挙動を記憶するのではなく、分子変化を支配する統計的・物理的法則を学習することで、長時間スケールの分子変化を高速に予測できる。研究では12,500種類以上の有機分子と1,000種類超のペプチドを用いて検証し、従来シミュレーションと整合する結果を示した。数十ナノ秒の学習データから、その千倍以上の時間スケールにおける分子の構造変化や性質を予測できる点が特徴である。
◆将来的には創薬初期段階における候補物質探索の効率化や、新規治療法の開発加速への応用が期待される。
＜関連情報＞
- https://news.cision.com/chalmers/r/ai-fast-forwards-molecular-simulations-by-10-000-fold,c4359821
- https://www.science.org/doi/10.1126/sciadv.aed2333
転用可能な生成モデルは、フェムト秒からナノ秒の時間ステップの分子動力学を橋渡しする Transferable generative models bridge femtosecond to nanosecond time-step molecular dynamics
Juan Viguera Diez, Mathias Schreiner, and Simon Olsson
Science Advances Published:8 Apr 2026
DOI:https://doi.org/10.1126/sciadv.aed2333
Abstract
Understanding the molecular structure, dynamics, and reactivity requires bridging processes that occur across widely separated timescales. Conventional molecular dynamics simulations provide an atomistic resolution, but their femtosecond time steps limit access to the slow conformational changes and relaxation processes that govern chemical function. Here, we introduce a deep generative modeling framework that accelerates sampling of molecular dynamics by four orders of magnitude while retaining physical realism. Applied to small organic molecules and peptides, the approach enables quantitative characterization of equilibrium ensembles and dynamical relaxation processes that were previously only accessible by costly brute-force simulation. The method generalizes across chemical composition and system size, extrapolating to peptides larger than those used for training, and captures chemically meaningful transitions on extended timescales. By expanding the accessible range of molecular motions without sacrificing the atomistic detail, this approach opens opportunities for probing conformational landscapes, thermodynamics, and kinetics in systems central to chemistry and biophysics.
