文章主要内容和创新点主要内容背景与问题：分子动力学（MD）模拟是研究蛋白质动态的重要方法，但在计算资源和时间尺度上存在局限，难以高效探索蛋白质的构象景观（尤其是低丰度状态和罕见转变）。方法框架：提出分子动力学大型语言模型（MD-LLM）框架，通过微调Mistral 7B模型（即MD-LLM-1）实现蛋白质动态学习和构象预测。该框架包含三个核心部分：系统特异性学习（基于单一构象状态的MD轨迹微调模型）、构象状态发现（通过序列推理探索未训练的构象空间）、结构解码与集合生成（将模型生成的令牌转换为3D坐标）。实验验证：在T4溶菌酶和Mad2蛋白上验证了MD-LLM-1的能力。例如，仅训练T4溶菌酶L99A突变体的天然态后，模型能预测其低丰度的激发态；训练三重突变体的天然态后，能预测L99A突变体的天然态，展现出跨状态发现能力。结论：MD-LLM-1能学习蛋白质构象变化的基本原理，生成物理有效的构象并探索未训练的状态，但尚未明确建模热力学和动力学特性。创新点将LLM应用于分子动力学：首次通过微调Mistral 7B实现蛋白质构象动态的学习与预测，突破了传统MD模拟的计算限制，为高效探索构象景观提供了新方法。跨状态发现能力：模型仅需单一构象状态的训练数据，即可预测其他未训练的构象