综述：深度学习应用于虚拟筛选和分子动力学技术的初学者指南

这篇综述系统阐述了深度学习（DL）在虚拟筛选（VS）和分子动力学（MD）中的创新应用，涵盖结合亲和力预测（如Pafnucy）、构象采样（如DeepDriveMD）和神经网络势能（NNP）等前沿技术。作者通过案例解析（如AlphaFold 3的分子对接突破）揭示了DL如何突破传统计算化学的硬件与算法限制，为药物设计和生物物理研究提供新范式。

　　

深度学习正在重塑计算化学的研究范式。这篇综述以虚拟筛选（VS）和分子动力学（MD）为切入点，系统梳理了深度学习（DL）技术在这两个领域的革命性应用。

在虚拟筛选方面，DL技术已实现从分子描述符生成到结合位点预测的全流程创新。Mol2vec通过自然语言处理技术将分子亚结构转化为向量空间，其衍生的IVS2vec模型在反向虚拟筛选中表现出色。DEEPScreen则突破传统分子指纹限制，采用CNN直接解析二维分子图像预测靶点相互作用。更引人注目的是生成对抗网络（GAN）和变分自编码器（VAE）的应用，如Andrianov开发的HIV-1抑制剂生成系统，以及Das设计的抗菌肽（AMP）生成框架CLaSS，后者通过Wasserstein自编码器（WAE）实现了序列关系的精准捕捉。

分子对接领域正经历DL技术的颠覆性变革。EquiBind和TANKBind等图神经网络（GNN）实现了单次预测的盲对接，而DiffDock通过扩散模型迭代优化对接构象，将成功率提升至传统方法的2倍。最新的AlphaFold 3更是突破性地实现了蛋白质-配体复合结构的联合预测，其精度超越AutoDock Vina等经典工具。

在分子动力学领域，DL技术主要从三个维度推动创新。构象采样方面，Degiacomi开发的生成式自编码器（AE）能有效插值蛋白质中间态构象；Ma团队则将卷积变分自编码器（CVAE）与MD结合创建了DeepDriveMD框架，显著加速蛋白质折叠采样。神经网络势能（NNP）的发展尤为瞩目，从第一代基于笛卡尔坐标的简单网络，演进至第四代包含长程电荷转移的HDNNP，其中ANI（ANAKIN-ME）模型对有机分子的能量预测已达到DFT精度。轨迹分析方面，结合tICA降维和变分动力学编码器（VDE）的方法，实现了突变蛋白构象空间的高效探索。

这些技术突破背后仍存在重要挑战。结合亲和力预测模型的泛化能力受限于训练数据偏差，如Volkov指出的"记忆而非学习"现象。NNP的开发也面临参考数据集构建耗时、长程相互作用计算复杂等瓶颈。然而毋庸置疑，DL技术正在突破传统分子模拟的时空限制，为从药物发现到生物物理研究的广泛领域注入新动能。正如AlphaFold 3展现的潜力，DL与计算化学的深度融合将持续催生突破性研究工具。