数据驱动的分子力学力场参数化以实现广泛的化学空间覆盖

本研究解决了传统分子力学力场在快速扩展的化学空间中的局限性，提出了一种现代数据驱动的方法，开发了兼容Amber的ByteFF力场。其核心在于使用生成的240万种多样的分子数据集，通过边增强的对称保持分子图神经网络训练，ByteFF在多个基准数据集上表现出色，具有卓越的准确性和广泛的化学空间覆盖，成为计算药物发现中的重要工具。