编辑丨coisini
分子动力学（MD）模拟已成为理解分子尺度物理、化学与生物过程不可或缺的工具，在揭示复杂分子体系的微观行为机制方面具有巨大潜力。
然而，传统的 MD 方法因为模拟的时间尺度有限，其有效性常受限于稀有事件相关的长时间尺度问题。为应对该挑战，增强采样方法应运而生，近年来更是与机器学习技术日益深度融合。
近期，浙江大学药学院侯廷军团队联合意大利技术研究院（IIT）等发布了一篇综述 ——《Enhanced Sampling in the Age of Machine Learning: Algorithms and Applications》，全景解析了在机器学习技术的加持下，增强采样方法的发展。浙江大学药学院博士生祝凯是综述共同一作。
综述地址：https://arxiv.org/pdf/2509.04291
综述概览
该综述旨在全面阐述 ML 与增强采样技术融合的方法论进展，并为关注实际应用的研究者提供实践视角。综述展示了跨领域应用案例，重点分析了实际部署此类模型的需求与挑战，涵盖蛋白质折叠等生物构象变化、配体结合热力学与动力学、化学催化反应及结构相变等重要领域。
在众多机器学习与增强采样的融合方向中，最具实质性和广泛性的进展体现在集合变量（collective variable，CV）的构建方面，但由于即使采用近似变量也能实现显著的加速效果，因此带来了两方面影响：一方面，它催生了多样化策略与学习目标的开发应用；另一方面，由于缺乏单一明确的目标，方法学变体激增。
除构建 CV 外，机器学习还在多个层面推动增强采样技术发展：包括表征偏置势能、优化自由能微扰方案、指导副本交换协议等。
一些颇具前景的新方法正崭露头角，例如完全用机器学习算法取代偏置方案，甚至用生成模型替代传统采样。但这些研究仍处于萌芽阶段，尽管前景可观，新方法在成为通用解决方案之前仍面临重大障碍，尤其对于具有大量自由度（如溶剂分子）的大型真实体系。
综述指出：将机器学习技术加持的增强采样方法扩展到更大更复杂的异质体系（如固有无序蛋白、生物分子组装体或真实催化环境）仍存在巨大挑战。关键原因在于这些方法的部署尚未实现全自动化：仍需大量化学直觉来选择初始条件、定义合适表征方式及识别目标过程。
要实现全自动增强采样的目标，需要在多个层面取得突破：
首先，表征学习的进步至关重要。对复杂大型体系而言，构建合适描述符仍是主要瓶颈，往往需要深厚的领域专业知识。
第二，将集合变量学习与偏置势能学习统一于端到端框架尤其值得关注。传统上这两个环节相互分离，若将低维表征识别与偏置势的自适应构建耦合，可以形成全集成工作流，实现探索与收敛的双重自动化。
第三，随着方法学复杂度和表现力的提升，可解释性成为紧迫议题。领域需与可解释人工智能更紧密融合，以确保工具保持透明性、可解释性和实践可用性。
要实现这些突破，还需进一步加强增强采样与机器学习势函数的融合，并开发统一的软件生态系统，无缝集成工作流的所有环节：从表征学习与集合变量构建，到偏置方案设计、机器学习势函数应用，再到后处理分析工具与结果解读。
这些进展共同作用，终将把分子动力学转化为真正的「计算显微镜」，在扩展时空尺度上揭示复杂物理、化学、生物体系的结构、动力学与反应活性，提供原子级的机理洞察。
感兴趣的读者可以阅读综述原文，了解更多研究内容。
