💡
原文中文，约2000字，阅读约需5分钟。
📝
内容提要
小分子力场在药物发现中至关重要。尽管机器学习力场（MLFF）如ANI-2x提供高精度预测，但其训练数据需求大且推理速度慢。字节跳动的ByteFF力场通过图神经网络（GNN）预测传统力场参数，兼顾了精度与效率，测试结果显示其在结构优化和势能面预测上达到了最新水平。
🎯
关键要点
- 小分子力场在药物发现中至关重要，尤其在计算机辅助药物设计中。
- 机器学习力场（MLFF）如ANI-2x提供高精度预测，但训练数据需求大且推理速度慢。
- Espaloma力场通过图神经网络（GNN）预测传统力场参数，平衡了精度与效率。
- 字节跳动的ByteFF力场在结构优化和势能面预测上达到了最新水平。
- ByteFF模型结构包括Featurization、GNN和Output三层，确保参数预测符合物理限制。
- 研究人员构建了包含2.4M不同分子碎片的优化数据集和3.2M不同二面角的扭转数据集。
- ByteFF在结构优化方面显著优于业界SOTA，能够准确预测小分子的二面角势能面。
- ByteFF继承了GAFF2的非键参数，但在非键相互作用方面仍有提升空间。
- ByteFF的免费API测试正在进行中，欢迎同行试用与反馈。
➡️
