DP Technology（深势科技）的定位是 AI for Science——不局限于药物研发，而是把机器学习引入科学计算的多个领域（分子模拟、材料、化学）。药物研发是其应用方向之一。这条路线的核心逻辑是：许多科学领域的瓶颈是同一个——精度与效率不可兼得。
核心矛盾：精度与效率
| 方法 | 精度 | 可及体系规模 |
|---|---|---|
| 量子化学（DFT） | 高 | 数百原子，皮秒级 |
| 经典力场分子动力学 | 较低 | 百万原子，微秒级 |
| 机器学习势函数 | 接近 DFT | 接近力场 |
机器学习势函数（如该公司的 DeePMD 系列）是这条路线的技术核心：用 DFT 计算的数据训练神经网络来拟合势能面，从而在保持接近量子化学精度的同时，达到接近经典力场的计算速度。这在原理上确实是一个有力的思路。
技术布局
- DeePMD-kit：机器学习分子动力学势函数，开源，在材料与化学领域应用较广；
- Uni-Mol（见 187《Uni-Mol》）：3D 分子预训练模型，用于性质预测与对接；
- Uni-Mol Docking（见 188《Uni-Mol Docking V2》）：基于预训练表示的对接；
- RiDYMO（见 295《DP Technology RiDYMO》）：增强采样平台，用于隐蔽口袋发现；
- Bohrium：科学计算云平台，提供算力与工具；
- Hermite：药物研发平台。
值得注意的是它的开源策略：DeePMD-kit、Uni-Mol 等核心工具开源发布，这既建立了技术影响力，也让外部用户可以直接使用与验证（见 187《Uni-Mol》、188《Uni-Mol Docking V2》）。对使用者而言，这意味着可以先用开源版本评估，再决定是否使用商业服务。
机器学习势函数在药物研发中的应用
- 更准的力场：小分子力场的参数化质量直接影响 MD 与自由能计算的精度（见 202《OpenFF Toolkit》）。ML 势函数有潜力提供更准确的能量描述。
- 处理特殊化学：金属配位、共价结合、极化效应——这些是经典力场的弱项，而 ML 势函数原则上可以覆盖。
- 局限：训练数据的化学空间覆盖决定了适用范围；对训练分布外的体系外推能力有限；目前在蛋白-配体这类大体系上的常规应用仍不如经典力场成熟。
「基础设施」路线的逻辑与挑战
- 逻辑：不押注单一药物项目的成败，而是提供多个领域都需要的计算能力，风险分散、市场更大。
- 挑战一：付费意愿。科学计算工具的用户（学术机构、研究部门）预算有限，商业化路径不如直接做药的价值上限高。
- 挑战二：开源竞争。这个领域的开源生态很强，商业产品需要提供明显超出开源的价值。
- 挑战三：验证周期。工具的价值需要通过用户的实际成果体现，而这个反馈周期很长。
对使用者的实际建议
- 先用开源版本：Uni-Mol、DeePMD 都可直接下载使用，在自家体系上验证效果后再考虑商业服务。
- 判断是否真的需要 ML 势函数：如果你的体系用经典力场已经够用（多数常规蛋白-配体模拟属于此类），引入 ML 势函数增加复杂度而收益有限。它的价值在经典力场明显不足的场景——金属酶、共价抑制剂、需要极化描述的体系。
- 关注适用域：ML 势函数在训练数据覆盖的化学空间内准确，超出则不可靠。使用前确认你的体系是否在覆盖范围内。
- 数据保密：使用云平台时确认数据条款。
提示
公司业务与产品线变动较快，本文为方向性观察，具体信息请以官方披露为准。该公司的多个核心工具开源，建议先用开源版本在自家体系上验证。