机器学习助力量子化学：逼近耦合簇精度的分子电子结构预测 学术背景 在物理学、化学和材料科学领域，计算方法是揭示各种物理现象背后机制和加速材料设计的关键工具。然而，量子化学计算（尤其是电子结构计算）通常是计算瓶颈，限制了计算速度和可扩展性。尽管近年来机器学习方法在加速分子动力学模拟和提高精度方面取得显著成功，但现有的机器学习模型大多基于密度泛函理论（DFT）数据库作为训练数据的“真实值”，其预测精度无法超越DFT本身。DFT作为一种平均场理论，其计算通常引入的系统误差比化学精度（1 kcal/mol）大几倍，这限制了基于DFT数据集训练的机器学习模型的整体精度。 相比之下，耦合簇方法（CCSD(T)）被认为是量子化学的“金标准”，能够提供各种分子性质的高精度预测。然而，CCSD(T)的计算成本...

深度学习应用于目标蛋白配体生成的最新研究：DeepBlock框架的提出与验证 背景与研究问题 药物发现过程中，寻找能够结合特定蛋白的配体分子（ligand）一直是核心目标。然而，目前的虚拟筛选方法（virtual screening）通常受限于化合物库的规模和化学空间的广度，难以在大规模化学空间中发现符合目标特性的创新化合物。相比之下，去新药设计（de novo drug design）通过从头生成分子结构，为探索现有化合物库之外的化学空间提供了崭新的可能性。 近年来，深度生成模型（deep generative models）在化学分子生成领域取得了显著进展，包括自回归模型（autoregressive models）、变分自编码器（variational autoencoders, VA...

深度学习框架用于多体薛定谔方程的自旋对称解研究：一种新方法的开创性成果 量子物理和量子化学领域中，多体电子体系的描述一直是一个重要但极具挑战性的课题。准确表征电子-电子强关联尤其对催化、光化学和超导性等领域具有深远意义。然而，传统的方法，如广泛使用的Kohn–Sham密度泛函理论(KS-DFT)，在多参考体系中对静态关联的描述仍存在不足。这一不足导致了所谓的“对称性困境”(symmetry dilemma)，即自旋对称破缺的解尽管是不物理的状态，却能获得较低的能量结果。此外，虽然波函数方法在捕获静态关联方面表现出色，但其计算复杂度较高，需要专家选择合适的活性空间，对普通应用存在显著障碍。因此，找到一种高效且准确的方法来解决多体薛定谔方程，同时保持正确的自旋对称性，这是科学家们长期以来期待解决...

新型直肠泡沫制剂在炎症性肠病治疗中的应用研究 近年来，炎症性肠病（inflammatory bowel disease, IBD）的发病率逐渐上升，该病以肠道粘膜损伤、慢性炎症及复发性发作为主要特征，目前仍缺乏一种理想的治疗手段。研究人员发现了一种名为胰高血糖素样肽-2（glucagon-like peptide 2, GLP-2）的33氨基酸多肽，其具有刺激肠道生长、修复肠粘膜和增强上皮细胞完整性的功效。然而，GLP-2在体内仅有极短的半衰期（7分钟），使其在临床治疗中受到了极大的限制。为解决这一难题，研究者们开发了一种GLP-2的长效类似物——Glepaglutide（GL），其通过氨基酸替换显著延长了体内半衰期（达50小时）。但由于Glepaglutide需通过皮下注射给药，这给患者的...

利用仿生海洋粘附蛋白涂层进行皮肤光老化防治的研究成果 皮肤光老化是当前全球面临的重大健康问题之一，尤其对于长期暴露在户外紫外线（UV）辐射下的人群而言，其表现包括胶原蛋白的减少、皱纹增加、皮肤弹性丧失、结构性减弱等。这些生理变化不但影响个体的外貌，还增加了相关并发症的风险。然而，尽管日常生活中已应用防晒品、局部药物（如维甲酸）和抗氧化剂等治疗方案，但目前仍无一种真正高效且持久的皮肤光老化防治策略可供应用。 针对上述挑战，本文的研究聚焦于一种新型仿生海洋粘附蛋白涂层，并探讨其在皮肤光老化防治领域的潜力。这项研究由Bo Xue带领的研究团队完成，作者来自中国海洋大学（Ocean University of China）的College of Marine Life Science。本文发表于20...