理论、实验和模拟是解决未来科学和生物医学挑战的三大支柱。
机器学习和其他数据科学方法目前正在为众多领域的发现提供新的工具。用于预测生物分子结构、动力学和功能的工具可以与基于物理学的方法相结合，不仅可以找到解决方案，还可以了解相关机制。
年5月，Nature子刊NatComputSci发表了一篇关于生物分子建模的综述文章。
作者提出，基于物理的方法和基于知识的方法的组合可能是最有效的。重要的是，需要人类的直觉和洞察力来充分融合这两种方法并正确解释计算结果。
以下是全文内容。
1.摘要
由于对最先进技术的快速适应和使用，生物分子建模领域自20世纪70年代的早期开始就已经蓬勃发展。生物分子模拟的规模和时间跨度的急剧增加已经超过了摩尔定律。在这里，我们讨论了基于知识的方法和基于物理的方法，以及硬件和软件的进步在推动该领域发展中的作用。这种快速的适应性和拓展性表明了建模的光明前景，理论、实验和模拟是解决未来科学和生物医学挑战的三大支柱。
2.主要内容
生物分子建模和模拟领域的发展轨迹，是一个由思想、人、技术和偶然性的混合驱动的典型案例。从早期的模拟和力场开发，到结构测定、酶动力学和分子动力学模拟的开创性应用，该领域经历了显著的高潮和低谷（图1）。20世纪80年代的标志是超级计算机带来的进步。与此同时，当人们意识到计算不可能轻易或迅速地取代实验室实验时，人们的高期望值受到了打击。20世纪90年代出现了一些令人失望的情况，除了生物医学方面的高期望值未被满足外（如人类基因组信息未能迅速带来医学解决方案），人们意识到力场和有限的构象取样可能会阻碍模拟在实际中成功应用。
幸运的是，这一时期出现了许多新的方法，利用软件和硬件来解决这些缺陷。在过去的二十年里，我们经历了巨大的胜利，因为在关键领域取得了成功。其中包括蛋白质折叠（例如蛋白质折叠的毫秒级全原子模拟）、大型生物分子网络的机制（例如病毒模拟）和药物应用（例如搜索COVID-19的药物）。站在力场先驱Allinger、Lifson、Scheraga和Kollman的肩膀上，年诺贝尔化学奖表彰了MartinKarplus、MichaelLevitt和AriehWarshel的工作，这是对生物计算的庆祝。显然，在一个充满活力和成功的领域，实验和建模已经成为了全面合作伙伴。
图1：生物分子建模和模拟领域的期望值曲线该领域从全面的分子力学工作开始，随着快速工作站和后来的超级计算机的日益普及，它开始起飞。在分子力学的图中（左上角），符号b、θ和τ分别代表键、角和二面角的运动，非键相互作用也被标出。扭转势能（E）包含two-fold（黑色虚线）和three-fold（紫色实线）。在不切实际的短期高期望值和失望（建模和基因组研究对人类疾病治疗的医学影响有限）之后，理论和实验之间更好的合作将该领域带入了具有生产力的阶段。
-年的十年间面临诸多挑战：包括力场的不完善、构象取样的限制、一些药物基因组学的障碍，以及基于基因组学的治疗方法对于人类疾病的医学影响有限。
技术创新包括分布式计算和使用GPU进行生物分子计算的出现，推动了该领域的发展。年，专业的分子动力学超级计算机Anton让显式溶剂全原子模拟达到了毫秒级别。年诺贝尔化学奖（授予Levitt、Karpus和Warshel）帮助验证了这个落后于实验的领域，并推动了该领域的发展。
沿着时间线，我们描述了里程碑式的模拟：
25-bpDNA(5nsand21,atoms);
villinprotein(1μsand12,atoms);
bc1membrane