Mendelevium
Diary
Drug Design
Field Knowledge
Academia
Yang
Biology
Physics
Free Energy
Machine Learning & AI
Active Learning
Basics
Boltz-2
Data
Generation
Interpretability
QSAR application
Representations
Mol2Image
Workflow & Agent
Molecular Dynamics
FF & Algorithm
Small Molecule
martini
water
Interaction
Modeling & Tools
QM
Sampling & Analysis
Allostery
Fundamental
Other
Specific Sytems
Enzyme Engineering
Fiber & LLPS
Membrane
orientation_penetration
Metal
Nano Polymers
Skin Permeation
Techniques
Linux
Python
Research
Web
about
Home
Contact
Copyright © 2025 Xufan Gao | Academic Research Blog
Home
>
Field Knowledge
> Academia
A Bunch of Biophysics is Loading ...
Academia
威斯康星大学麦迪逊分校Yang Yang研究组工作总结：CNEO理论及其应用
威斯康星大学麦迪逊分校Yang Yang 研究组工作总结：CNEO理论及其应用 基本信息 Yang Yang（杨阳） 单位：University of Wisconsin-Madison Theoretical Chemistry Institute Department of Chemistry 邮箱：yyang222@wisc.edu 研究领域：理论化学、多组分量子化学、核量子效应、质子转移反应 核心贡献：开发约束核电子轨道（Constrained Nuclear-Electronic Orbital, CNEO）理论 2026年2月17日，美国斯隆基金会（Alfred P. Sloan Foundation）公布2026年度斯隆研究奖（Sloan Research Fellowships）获奖名单，共126位青年科学家当选。该奖项被誉为”诺奖风向标”，自1955年设立以来，已有59位获奖者后续获得诺贝尔奖，72位获得美国国家科学奖章，17位获得数学界”诺贝尔奖”菲尔兹奖。 每位获奖者将获得7.5万美元奖金，用于在未来两年内支持其研究工作。获奖者覆盖7个领域：化学、计算机科学、地球系统科学、经济学、数学、神经科学和物理学。 化学学科获奖者中包括多位华人学者： Yang Yang（威斯康星大学麦迪逊分校）：研究理论化学与核量子效应，开发的CNEO（约束核电子轨道）理论为氢相关过程提供了高效准确的理论方法 Yayuan Liu（约翰斯·霍普金斯大学）：专注于电化学和能源存储材料研究 Tina Wang（威斯康星大学麦迪逊分校）：专长于蛋白质工程与定向进化 核心贡献：CNEO理论框架 理论背景与动机 在传统量子化学方法中，基于Born-Oppenheimer近似，原子核通常被当作经典粒子处理。然而，这一近似在处理轻原子核（特别是氢）时面临严重挑战： 核量子效应（Nuclear Quantum Effects, NQEs）包括： 零点能（Zero-Point Energy, ZPE）：即使在绝对零度，量子核仍具有振动能 量子离域化（Quantum Delocalization）：核不再位于固定位置，而是以概率分布存在 量子隧穿（Quantum Tunneling）：粒子可以穿越经典力学禁止的势垒 这些效应在氢键、质子转移、酶催化等过程中起关键作用。例如： 水中的反常高质子迁移率 酶中的低势垒氢键（Low-Barrier Hydrogen Bonds, LBHBs） 氢原子转移反应中的显著动力学同位素效应（Kinetic Isotope Effects, KIEs） CNEO的核心思想 CNEO理论基于一个关键的物理洞察：虽然量子核具有类似于电子的空间离域化密度分布，但它们的密度分布要局域得多。基于这一物理事实，CNEO通过用量子波函数描述某些核（如质子），并用核期望位置表示这些核的经典位置，然后在Lagrangian中引入约束条件固定核的期望位置，最终通过最小化包含约束的总能量得到CNEO能量曲面。 这使得CNEO能够同时描述核的量子性和经典性，生成包含核量子效应的有效势能面，同时保持与传统电子结构方法相当的计算效率。 数学表述 在多组分量子化学框架下，CNEO的能量函数为： \[E_{\text{CNEO}} = \langle \Psi_{\text{elec}} \Psi_{\text{nuc}} | \hat{H} | \Psi_{\text{elec}} \Psi_{\text{nuc}} \rangle\] 其中： $\Psi_{\text{elec}}$ 是电子波函数 $\Psi_{\text{nuc}}$ 是选定量子核（通常是质子）的波函数 $\hat{H}$ 是多组分Hamiltonian 约束条件：固定量子核的期望位置 \(\langle \Psi_{\text{nuc}} | \hat{\mathbf{R}}_p | \Psi_{\text{nuc}} \rangle = \mathbf{R}_p^0\) Lagrangian： \(\mathcal{L} = E_{\text{CNEO}} - \sum_p \lambda_p \left( \langle \Psi_{\text{nuc}} | \hat{\mathbf{R}}_p | \Psi_{\text{nuc}} \rangle - \mathbf{R}_p^0 \right)\) 通过变分原理求解，得到包含核量子效应的有效势能面。 主要研究方向与成果 1. CNEO-DFT：理论基础与实现 Yang Yang课题组开发了CNEO-DFT的解析能量梯度和Hessian，使得在包含核量子效应的能量曲面上进行结构优化、准确预测振动频率（特别是涉及氢原子的模式）以及进行CNEO分子动力学模拟成为可能。 计算特点 特性 说明 计算成本 与传统DFT同量级，额外开销通常小于20% 量子核处理 仅对选定质子进行量子化，其余原子核保持经典处理 实现与软件 共享质子体系采用修改版PySCF；QM/MM分子动力学由GROMACS完成 性能表现 在一系列分子的振动频率计算中，CNEO-DFT显著优于传统DFT： 测试系统以共享质子体系为主，包含11个[A·H⁺·B]型复合物与5个[A·H⁺·A]型复合物（共16个）。 测试结果显示CNEO-DFT在质子转移振动模式上显著优于传统DFT，且是否加入电子-质子相关泛函会明显影响精度： 体系 DFT MAE CNEO/no-epc MAE CNEO/epc17-2 MAE CNEO/epc17-1 MAE [A·H⁺·B] 452 $\mathrm{cm^{-1}}$ 123 $\mathrm{cm^{-1}}$ 139 $\mathrm{cm^{-1}}$ 443 $\mathrm{cm^{-1}}$ [A·H⁺·A] 170 $\mathrm{cm^{-1}}$ 56 $\mathrm{cm^{-1}}$ 42 $\mathrm{cm^{-1}}$ 166 $\mathrm{cm^{-1}}$ 2. 质子转移反应的应用 共享质子系统（Shared-Proton Systems） 研究对象涵盖11种[A·H⁺·B]型二元复合物： 包括Zundel离子（$\ce{H2O}$·H⁺·$\ce{H2O}$，即$\ce{H5O2+}$） 以及其他体系（A、B = $\ce{NH3}$、$\ce{CO2}$、Ar、MeOH、EtOH、Me₂O、Et₂O等） 关键发现表明CNEO-DFT在质子转移模式（PTM）频率预测方面显著改善，能够同时处理对称与非对称共享质子体系。 以$\ce{H2O–H+–NH3}$为例，实验光谱中PTM峰位在2649 $\mathrm{cm^{-1}}$，CNEO-DFT（no-epc与epc17-2）能够准确捕捉该峰位，而传统DFT与epc17-1明显高估该频率。对于[A·H⁺·A]型体系，PTM频带主要集中在600–1100 $\mathrm{cm^{-1}}$范围内，CNEO-DFT（no-epc或epc17-2）的平均误差约50 $\mathrm{cm^{-1}}$，而DFT与epc17-1的误差通常超过150 $\mathrm{cm^{-1}}$。 双质子转移：甲酸二聚体（Formic Acid Dimer, FAD） 研究方法包括CNEO-MD模拟、机器学习辅助自由能面构建以及通量–侧相关函数计算透射系数。 关键结果（单位来自原文表格，速率为$\mathrm{ps^{-1}}$）： 指标 DFT（200 K） CNEO-DFT（200 K） DFT（400 K） CNEO-DFT（400 K） 自由能垒 8.77 $\mathrm{kcal/mol}$ 3.51 $\mathrm{kcal/mol}$ 9.75 $\mathrm{kcal/mol}$ 3.82 $\mathrm{kcal/mol}$ TST速率 $8.83\times10^{-9}$ 0.0044 $1.37\times10^{-4}$ 0.23 校正速率 $7.18\times10^{-9}$ 0.0034 $1.03\times10^{-4}$ 0.15 此外，静态势垒从8.20 $\mathrm{kcal/mol}$（DFT）降至2.70 $\mathrm{kcal/mol}$（CNEO-DFT）。CNEO-DFT显著降低了有效势垒并提高速率，同时由于量子离域化导致的再交叉效应更明显，需要通过通量–侧相关函数修正。 2.3 氢原子转移反应：CNEO-TST 研究对象： $\ce{D + H2 -> DH + H}$与$\ce{H + D2 -> HD + D}$ $\ce{CH4 + OH -> CH3 + H2O}$与$\ce{CD4 + OH -> CD3 + HDO}$ 方法创新：CNEO过渡态理论（CNEO-TST） 使用CNEO最小化能量面（包含ZPE和浅隧穿效应） 结合传统TST框架计算速率常数 性能比较（以$\ce{CH4 + OH}$为例，Arrhenius活化能$E_a$，单位为$\mathrm{kcal/mol}$）： 300 K 实验 DFT-CTST（标准因子） CNEO-TST CNEO-TST（epc17-2） $E_a$ 3.7 5.0 4.2 3.9 下图给出$\ce{H + D2 -> HD + D}$反应的Arrhenius曲线，展示CNEO‑TST与CNEO‑CVT在宽温区内对实验速率的跟踪效果。 动力学同位素效应（KIE）： 在$\ce{CH4 + OH}$与$\ce{CD4 + OH}$体系中，CNEO-TST在不做经验缩放的情况下即可给出与实验较接近的KIE，但仍有轻微低估 传统CTST在该体系中表现良好主要依赖误差抵消，难以保证可迁移性 下图为$\ce{CD4 + OH -> CD3 + HDO}$反应速率常数对比，用于评估同位素反应的动力学表现。 计算成本： 依托CNEO-DFT构造能量面，整体开销与传统DFT-TST同量级 相比路径积分方法更经济，适合批量反应速率评估 3. CNEO-QM/MM：走向复杂系统 方法设计 嵌入方案采用静电嵌入，QM区用CNEO-DFT处理并包含关键质子，MM区用经典力场处理环境，QM区的电子密度受MM区点电荷影响。 总能量表达式为： \(E_{\text{total}} = E_{\text{CNEO-QM}} + E_{\text{MM}} + E_{\text{QM/MM}}^{\text{inter}}\) 其中 $E_{\text{QM/MM}}^{\text{inter}}$ 包括QM区与MM区的静电相互作用、范德华相互作用以及边界处理（如link atoms）。 应用案例 谷氨酸-谷氨酸盐复合物模拟了酶中的低势垒氢键。关键发现： 在水相几何优化中，DFT QM/MM预测$\ce{O-H}=1.05$ Å、$\ce{O…H}=1.45$ Å、$\ce{O…O}=2.49$ Å，质子明显偏向一侧； CNEO-DFT QM/MM预测$\ce{O-H}=1.17$ Å、$\ce{O…H}=1.29$ Å、$\ce{O…O}=2.45$ Å，质子更接近等距共享（两侧差约0.12 Å）； 动力学模拟中，CNEO-DFT QM/MM显示更频繁的质子转移，体现核量子离域化效应的增强。 物理意义在于核量子效应使质子更易离域，低势垒氢键更趋向共享态，且溶剂化对几何的影响在CNEO框架下更为温和。 4. 周期性CNEO-DFT：扩展系统 将CNEO理论扩展到周期性边界条件： 方法实现基于CP2K的Gaussian‑augmented plane wave（GAPW）框架，同时处理电子与量子核，量子核作为局域可区分粒子处理。 应用示例包括Pt(111)表面氢吸附与二维面内运动熵的计算，展示核量子效应在表面吸附与热力学性质中的作用。 5. 光谱学应用 在红外光谱预测方面，研究对象包括$\ce{OH-(H2O)2}$与$\ce{OH-(H2O)3}$水合团簇，CNEO-DFT谐振动与CNEO-MD可直接对比实验峰位并给出未解析峰的指认： 体系 实验峰位（$\mathrm{cm^{-1}}$） CNEO谐振动（$\mathrm{cm^{-1}}$） CNEO‑MD 300 K（$\mathrm{cm^{-1}}$） 备注 $\ce{OH-(H2O)2}$ 1669、1730、1819、2310、2731 1614、1627、1920、2207 1635、1820、2044、2213、2447 a4、a5峰被赋值为与IHB伸缩相关的组合/泛频峰，a3仍存在不确定性 $\ce{OH-(H2O)3}$ 1680、1848、2063/2140、2586、2842（肩峰） 1638.5、1638.7、2470、2471、2717 1629、2014、2533 a2、a3在谐振动中缺失，CNEO‑MD提示其为组合带并呈温度展宽 下图为$\ce{OH-(H2O)2}$实验谱与VPT2、NM‑6D理论结果的对比。 应用价值体现在作为实验光谱解析的理论工具、鉴别氢键网络结构以及研究溶剂化动力学。 6. 电子-质子相关泛函评估 研究背景 在多组分DFT中，除了经典的电子-电子相关泛函，还需要电子-质子相关泛函来准确描述电子与量子质子间的关联。 测试的泛函 epc17-1：早期的电子-质子相关泛函 epc17-2：改进版本 评估结果 在共享质子体系的PTM频率预测中，epc泛函对精度影响显著： 体系 DFT MAE CNEO/no-epc MAE CNEO/epc17-2 MAE CNEO/epc17-1 MAE [A·H⁺·B] 452 $\mathrm{cm^{-1}}$ 123 $\mathrm{cm^{-1}}$ 139 $\mathrm{cm^{-1}}$ 443 $\mathrm{cm^{-1}}$ [A·H⁺·A] 170 $\mathrm{cm^{-1}}$ 56 $\mathrm{cm^{-1}}$ 42 $\mathrm{cm^{-1}}$ 166 $\mathrm{cm^{-1}}$ 建议 当前最佳实践： 在更准确的电子-质子相关泛函开发之前，推荐使用不含电子-质子相关泛函的CNEO-DFT进行振动光谱计算。 未来方向： 开发新的电子-质子相关泛函 系统评估不同体系的epc重要性 探索体系依赖的相关泛函 方法学比较 与其他核量子效应方法的对比 方法 准确性 计算成本 系统大小 优点 缺点 路径积分分子动力学（PIMD） 很高 极高 ~100原子 包含全部NQEs 计算成本极高，难以应用于大系统 环聚合物分子动力学（RPMD） 高 高 ~200原子 准确描述速率 仍较昂贵 多组分波函数方法（NEO） 高 高 ~50原子 全量子处理 假设量子核瞬间响应经典核运动 半经典轨迹方法 中等 中等 ~500原子 包含隧穿 近似较多 变分过渡态理论+多维隧穿（CVT/SCT） 高 中等 不限 准确描述速率 需预先知道反应路径 传统DFT 低（对氢） 低 不限 快速 忽略NQEs CNEO-DFT 高 低 不限 优点：包含核离域化，成本与传统DFT相当 缺点：浅隧穿近似，不包含深层隧穿 CNEO的独特优势 CNEO具有四大独特优势： 量子-经典耦合：量子核（质子、氕子）用波函数描述，经典核（重原子）用点电荷描述，具有根据需要选择量子核的灵活性 有效势能面：包含零点能和浅隧穿效应，可直接用于传统动力学方法，避免了路径积分的巨大计算成本 多尺度建模：易于与QM/MM、机器学习及增强采样结合 软件生态兼容：可集成到现有量子化学包，使用熟悉的DFT泛函和基组，学习成本低 应用领域与案例 1. 共享质子与氢键体系 共享质子复合物的PTM频率与红外光谱是CNEO最重要的验证场景之一，涵盖[A·H⁺·B]与[A·H⁺·A]体系，系统性对比实验峰位与理论谱图。 2. 溶剂化与QM/MM CNEO-QM/MM在水相中研究了酚–水复合物与谷氨酸–谷氨酸盐复合物，量化溶剂化与核量子离域化对氢键几何与质子位置的影响，并通过分子动力学展示更频繁的质子转移行为。 3. 反应动力学 在甲酸二聚体双质子转移中，CNEO-MD通过自由能面与通量–侧相关函数得到校正速率；在$\ce{CH4 + OH}$与同位素反应中，CNEO-TST给出与实验接近的活化能与KIE。 4. 光谱学 CNEO-DFT与CNEO-MD用于$\ce{OH-(H2O)2}$和$\ce{OH-(H2O)3}$红外谱线指认，补全实验中未明确的峰位归属，并解释温度展宽效应。 5. 周期性与凝聚相 周期性CNEO-DFT方法为凝聚态核量子效应提供了可扩展框架，可用于质子导体与固体氢键网络等系统的结构与振动性质研究。 当前挑战与解决方案 挑战1：深层隧穿效应 问题描述：CNEO主要包含浅隧穿，对深层隧穿描述不足。浅隧穿指的是隧穿能量仅略低于有效势垒顶部的隧穿，而深层隧穿涉及能量远低于势垒顶部的隧穿过程，后者在某些低温反应中可能起重要作用。 可能的解决方案： 结合Wigner隧穿校正来补充深层隧穿贡献 与瞬子（Instanton）理论结合以获得更准确的隧穿速率 开发更精确的核量子态展开方法来扩展CNEO的隧穿描述能力 挑战2：电子-质子相关 问题描述：在多组分DFT中，除了经典的电子-电子相关泛函，还需要电子-质子相关泛函来准确描述电子与量子质子间的关联。现有epc泛函性能有限。 研究进展： epc17-1：在两类共享质子体系中都接近传统DFT表现，误差较大 epc17-2：精度与no-epc接近，部分体系略有优势 no-epc：整体最稳定，且更易收敛 未来方向： 开发机器学习辅助泛函 构建体系依赖的相关泛函 从高精度量子化学数据学习更准确的电子-质子关联形式 挑战3：大系统应用 问题描述：全量子处理的计算成本随量子核数快速增加，限制了CNEO在超大系统中的应用。 应对策略： 选择性量子化：只对关键质子（如参与质子转移或氢键的质子）进行量子处理，而将其他质子视为经典粒子 分层方法：核心区用CNEO处理，外层区用经典力场处理 机器学习势：训练ML势以替代昂贵的CNEO计算，实现高效的大系统模拟 挑战4：激发态与时间演化 当前局限：CNEO主要处理基态性质。 扩展方向： 开发CNEO-TDDFT（含时密度泛函理论）以处理激发态质子转移 构建非绝热CNEO动力学方法来研究非绝热过程 应用CNEO于超快光谱过程模拟，如泵浦-探针光谱和二维光谱的理论解析 在Shin–Metiu模型上，CNEO‑Ehrenfest与CNEO‑FSSH通过冻结核CNEO有效势能面引入核量子离域化效应，用于评估非绝热动力学中的透射与布居行为。 对领域的影响与意义 科学价值 填补空白：CNEO位于传统DFT（忽略NQEs）与全量子动力学（昂贵）之间，提供了性价比最优的解决方案，使大系统中包含核量子效应成为可能 理论创新：提出了量子-经典耦合的新范式，巧妙应用约束优化方法，构建了可扩展的多组分框架 方法统一：将静态和动态性质研究统一在一个框架下，兼容多种电子结构方法，并易于与多尺度建模结合 实际应用价值 药物设计：CNEO能够准确预测药物-靶标结合自由能，深入理解酶催化机制，并指导药物分子的结构优化，特别适用于涉及质子转移和氢键的药物设计项目 催化科学：CNEO可用于设计高效催化剂、优化反应条件以及降低能耗，通过准确描述催化循环中的质子转移步骤来揭示催化机理 能源技术：CNEO可应用于燃料电池膜材料优化、氢存储材料设计以及人工光合作用系统的研究 环境化学：CNEO有助于大气化学反应建模、污染物降解路径预测以及碳循环过程的理解 代表性论文列表 以下条目均已与本地PDF核对。 理论方法发展 CNEO‑MD方法：Chen, Z.; Yang, Y. J. Phys. Chem. Lett. 2023, 14, 279-286. DOI：10.1021/acs.jpclett.2c02905 周期性CNEO‑DFT：Chen, Z.; Yang, Y. J. Chem. Theory Comput. 2025, 21, 7865-7877. DOI：10.1021/acs.jctc.5c00837 应用：质子转移 共享质子系统：Yang, Y.; Zhang, Y.; Yang, Y.; Xu, X. J. Chem. Phys.（已接收稿，2024）DOI：10.1063/5.0243086 双质子转移：Zhang, Y.; Liu, Z.; Yang, Y. J. Chem. Theory Comput. 2025, 21, 5400-5408. DOI：10.1021/acs.jctc.5c00532 CNEO‑TST：Chen, Z.; Zheng, J.; Truhlar, D. G.; Yang, Y. J. Chem. Theory Comput. 2025, 21, 590-604. DOI：10.1021/acs.jctc.4c01521 应用：多尺度建模 CNEO‑QM/MM：Zhao, X.; Chen, Z.; Yang, Y. J. Chem. Phys.（已接收稿）DOI：10.1063/5.0226271 应用：非绝热动力学 非绝热动力学：Liu, Z.; Chen, Z.; Yang, Y. J. Phys. Chem. Lett. 2025, 16, 6559-6569. DOI：10.1021/acs.jpclett.5c01020 应用：光谱学 水合团簇红外光谱：Liu, Z.; Wang, Y.; Zhang, Y.; Yang, N.; Yang, Y. J. Phys. Chem. A 2025, 129, 9883-9894. DOI：10.1021/acs.jpca.5c04334
Field Knowledge
· 2026-02-21
剑桥计算生物与生物物理团队全览
剑桥计算生物与生物物理团队全览 概述 本文汇总了剑桥大学在计算生物与生物物理方向的代表性研究团队，涵盖Yusuf Hamied化学系、遗传学系、生物化学系与MRC分子生物学实验室等单位。每个团队条目都按照研究焦点、关键方法、近期成果与常用工具进行整理，并列出官网等进一步阅读渠道，方便快速对接潜在合作或深度调研。 研究团队一览 Prof. Michele Vendruscolo（Yusuf Hamied化学系） Vendruscolo课题组发展了多种结合实验约束的分子模拟方法，用于解析疾病相关蛋白的构象与相互作用。团队以全原子分子动力学为主，常常引入NMR约束、Markov模型（如Binding Paths框架）与统计推断来描绘折叠或误折叠通路，并借助增强采样手段计算小分子与无序蛋白的结合轨迹。近期工作集中在淀粉样形成机制以及帕金森病靶点的激酶抑制剂筛选，并在Nature Chemistry 2024年发表了关于MARK激酶的研究。官网：Vendruscolo Lab：https://www-vendruscolo.ch.cam.ac.uk/ Prof. Andreas Bender（Yusuf Hamied化学系） Bender领导的数据驱动药物发现团队专注于AI、机器学习与化学信息学在化学生物和药物设计中的应用。团队构建深度神经网络、规则模型与大数据分析流程来预测配体性质、毒性和安全窗口，常用数据集包括ToxCast等高通量生物活性库，并结合对接与分子生成技术指导结构优化。2025年发表于Nature Communications的研究展示了深度强化学习在设计高效A₂A受体配体方面的潜力；其他项目也覆盖CNN、Transformer等监督学习模型以及海量化学数据的可解释分析。团队官网：Bender Group：https://bender.group.ch.cam.ac.uk/ Dr. Lucy Colwell（Yusuf Hamied化学系） Colwell实验室以数据科学推动计算结构生物学，善于利用大规模同源序列中的协同演化信号来预测三维结构与功能。通过对同源序列聚类并嵌入AlphaFold2，团队在2023年发表于Nature Biotechnology的工作中展示了预测多种构象的策略。他们结合Potts模型、图神经网络与生成模型，学习残基相关性、蛋白–配体偏好以及酶底物特异性，并打造可解释的机器学习工具（如HMM-logo可视化）以服务蛋白工程。官网：Colwell Lab：https://www.ch.cam.ac.uk/person/ljc37 Prof. Jonathan M. Goodman（Yusuf Hamied化学系） Goodman团队将计算化学、量子化学与AI结合，用于研究小分子的结构与反应性。他们将化学信息学同量子/分子动力学计算整合，发展面向结构验证的机器学习流程，例如把NMR与IR谱图联合输入模型来确认合成产物。团队也尝试语言模型预测反应结果与天然产物骨架，并以DFT、分子对接与定制化ML管线作为日常工具。官网：Goodman Group：https://www-jmg.ch.cam.ac.uk/ Dr. Aleks Reinhardt（Yusuf Hamied化学系） Reinhardt带领的统计力学团队研究软物质与生物物质的相行为、自组装与凝聚现象。他们在原子级与粗粒度尺度上结合分子动力学、蒙特卡洛模拟，重点关注蛋白/RNA混合物的液–液相分离以及DNA纳米结构装配（J. Chem. Phys. 2023、Biophys. J. 2023）。团队也开发溶剂化与凝聚过程的模拟流程，并通过增强采样计算晶体生长自由能，常用工具包括GROMACS、聚合物与蛋白粗粒模型以及相图统计分析。官网：Reinhardt Group：https://reinhardt.group.ch.cam.ac.uk/ Prof. Jonathan Clarke（Yusuf Hamied化学系） Clarke实验室通过分子动力学与实验结合，研究蛋白折叠动力学与力学性质。他们模拟蛋白结构域的受力解折过程，并与AFM实验匹配；还利用φ值分析约束的MD来解析折叠过渡态。关于titin/FNIII结构域的研究通过蛋白工程和受力MD共同描绘能量景观。团队惯用全原子MD（施加力或约束）、过渡路径采样与自由能计算来连接结构动力学与热力学，目前PI已接近退休。官网：Clarke Group：https://jclarke.group.ch.cam.ac.uk/computational-studies-protein-folding Prof. Rosana Collepardo（遗传学系） Collepardo的染色质建模团队构建DNA与染色质的多尺度模型，将粗粒度聚合物模型锚定在全原子分子动力学上，以研究核小体与蛋白如何塑造三维基因组结构。他们模拟染色质纤维来预测接触图，并评估连接组蛋白和转录因子对空间折叠的影响。常用方法包括核小体核心颗粒的全原子MD、千碱基尺度的介观蒙特卡洛模型以及链接序列到空间构象的理论框架。官网：Collepardo Lab：https://www.gen.cam.ac.uk/research-groups/research-groups/collepardo-group Prof. Laura Itzhaki（药理学系） Itzhaki实验室专注串联重复蛋白（ankyrin、HEAT、ARM等）的计算设计与功能研究。团队借助原位建模与蛋白工程，绘制重复结构域的折叠能量学并重新设计其结合功能；近期成果包括基于重复结构的抑制剂设计，以及研究内在无序链如何识别结构化重复域。方法涵盖Rosetta等结构建模软件、分子对接、重复框架的共识设计与折叠动力学模拟。官网：Itzhaki Group：https://www.phar.cam.ac.uk/research/Itzhaki Prof. Florian Hollfelder（生物化学系） Hollfelder实验室以实验手段研究酶机制与设计，利用定向进化与微流控来进化多底物酶并探究分子识别原则。某些项目结合X射线晶体学与动力学测试，解析进化后磺酸酯酶的底物结合方向，并与Kamerlin课题组合作开展MD以验证构象变化。团队常用技术包括高通量液滴筛选、突变体的晶体学/NMR以及自建或合作的对比MD模拟。官网：Hollfelder Lab：https://hollfelder.bioc.cam.ac.uk/ Dr. Joe Greener（MRC分子生物学实验室） Greener团队开发融合机器学习的分子动力学，训练图神经网络与可微分力场来提升生物大分子模拟精度，目标是让蛋白MD逼近量子化学准确度。他们在Chemical Science 2024年发表的工作展示了面向内在无序蛋白的可微MD力场优化方法，并编写基于Julia/PyTorch的GPU加速MD代码，把ML势能嵌入大规模模拟。官网：Greener Group：https://www2.mrc-lmb.cam.ac.uk/groups/greener/ 参考来源 [Professor Michele Vendruscolo Yusuf Hamied Department of Chemistry](https://www.ch.cam.ac.uk/person/mv245)：https://www.ch.cam.ac.uk/person/mv245 The Vendruscolo Laboratory：https://www-vendruscolo.ch.cam.ac.uk/ [Professor Andreas Bender Data-Driven Drug Discovery and Molecular Informatics](https://bender.group.ch.cam.ac.uk/person/ab454)：https://bender.group.ch.cam.ac.uk/person/ab454 [Index Data-Driven Drug Discovery and Molecular Informatics](https://bender.group.ch.cam.ac.uk/)：https://bender.group.ch.cam.ac.uk/ 文中提到的Nat. Commun. 2025 A₂A受体研究，详见Bender团队论文记录。 [Dr Lucy Colwell Yusuf Hamied Department of Chemistry](https://www.ch.cam.ac.uk/person/ljc37)：https://www.ch.cam.ac.uk/person/ljc37 [Professor Jonathan Goodman Yusuf Hamied Department of Chemistry](https://www.ch.cam.ac.uk/person/jmg11)：https://www.ch.cam.ac.uk/person/jmg11 The Goodman Group, Cambridge：https://www-jmg.ch.cam.ac.uk/ Goodman团队关于NMR/IR驱动的结构验证研究，详见其官网出版物。 [Dr Aleks Reinhardt Yusuf Hamied Department of Chemistry](https://www.ch.cam.ac.uk/person/ar732)：https://www.ch.cam.ac.uk/person/ar732 [Index The Reinhardt Group](https://reinhardt.group.ch.cam.ac.uk)：https://reinhardt.group.ch.cam.ac.uk [Computational Studies of Protein Folding The Clarke Group](https://jclarke.group.ch.cam.ac.uk/computational-studies-protein-folding)：https://jclarke.group.ch.cam.ac.uk/computational-studies-protein-folding [Collepardo Group Department of Genetics](https://www.gen.cam.ac.uk/research-groups/research-groups/collepardo-group)：https://www.gen.cam.ac.uk/research-groups/research-groups/collepardo-group [Tandem-repeat proteins: Folding, function, role in disease and therapeutic intervention Department of Pharmacology](https://www.phar.cam.ac.uk/research/Itzhaki)：https://www.phar.cam.ac.uk/research/Itzhaki [Home Hollfelder Group](https://hollfelder.bioc.cam.ac.uk/)：https://hollfelder.bioc.cam.ac.uk/ [Evolutionary repurposing of a promiscuous enzyme Department of Biochemistry](https://www.bioc.cam.ac.uk/news/archive/2018/evolutionary-repurposing-of-a-promiscuous-enzyme)：https://www.bioc.cam.ac.uk/news/archive/2018/evolutionary-repurposing-of-a-promiscuous-enzyme Greener Group：https://www2.mrc-lmb.cam.ac.uk/groups/greener/ [Publications Greener Group](https://www2.mrc-lmb.cam.ac.uk/groups/greener/publications/)：https://www2.mrc-lmb.cam.ac.uk/groups/greener/publications/
Field Knowledge
· 2026-01-01
<
>
Touch background to close
Mendelevium
