Remetinostat

点击上方“蓝字”  ·  关注我们 01 近日，上海大学医学院特聘研究员孙晓东课题组在《Advanced Functional  Materials》上发表题为“Multifunctional Responsive Nanoplatform  asImmunotherapeutic Regulator to Target Triple-NegativeBreast Cancers  via Mechanotransduction”研究论文。 三阴性乳腺癌（TNBC）是一种高度侵袭性乳腺癌亚型，缺乏明确的分子靶点，对常规化疗和免疫治疗反应不佳，且极易发生免疫逃逸。近日，上海大学医学院及联合团队在《Advanced  Functional Materials》发表研究，设计了一种pH响应型靶向纳米平台——VMP  NPs，通过协同递送PARP抑制剂Veliparib和免疫增强剂Mn²⁺，有效激活NK细胞的抗肿瘤免疫，并从力学传导角度瓦解肿瘤细胞的防御体系。VMP   NPs以Veliparib和Mn²⁺配位自组装形成内核，表面修饰CXCR4靶向肽E5和PEG，能够特异性识别三阴性乳腺癌细胞上高表达的CXCR4受体，实现精准肿瘤富集，同时在酸性肿瘤微环境（pH  6.5）中快速释放药物，降低全身毒性。在细胞共培养模型中，VMP  NPs显著增强NK细胞对肿瘤细胞的杀伤，促进IFN-γ、TNF-α、穿孔素和颗粒酶B分泌，并通过上调肿瘤细胞表面TRAIL-R2死亡受体，激活Caspase-8、Caspase-3等凋亡通路，实现外源性与内源性凋亡的双重启动。更独特的是，VMP   NPs还能干预肿瘤细胞的力学传导信号：降低整合素、踝蛋白、黏着斑蛋白和肌球蛋白的表达，降低机械敏感通道Piezo1相关信号，降低细胞刚度，并下调YAP和核纤层蛋白LaminA/C，干扰从细胞膜到细胞核的力学信号传递，从而抑制肿瘤细胞迁移，并影响其凋亡和恶性进展相关过程。在荷瘤裸鼠模型中，VMP   NPs显著抑制肿瘤生长，延长生存期，且对体重、肝肾功能、血常规及主要器官无明显毒性，30天长期安全性良好。该研究为三阴性乳腺癌的靶向免疫治疗提供了一种新的靶向免疫治疗纳米平台思路，也展示了力学传导调控在肿瘤免疫治疗中的应用前景。 该工作由上海大学、南华大学附属第二医院联合完成。上海大学医学院孙晓东特聘研究员、生命学院陈沁教授等为论文共同通讯作者，获国家自然科学基金等项目资助。 原文链接： https://advanced.onlinelibrary.wiley.com/doi/full/10.1002/ADFM.75937？utm_campaign=B2CJNL_MIS_1536100_ATP_PostPublication_SciComms_EM3&utm_medium=email&utm_source=sfmc 02 近日，材料学院氢冶金低碳技术团队对高炉富氢低碳冶炼：氢-煤-氧协同复合高效喷吹关键技术研究取得进展，成果发表在《Chemical  Engineering Journal》（影响因子：13.2）上，论文题目为“Triple synergistic mechanism of  hydrogen enrichment enhanced char gasification governed by interfacial  reaction centers: Adsorption promotion, activation of ablation reaction,  and facilitated desorption”。论文第一作者为博士研究生梁蕾。 以氢代碳、氢冶金是钢铁生产低碳化的重要技术。氢冶金主要有两条路线，一条是高炉富氢冶炼技术，另一条是非高炉的氢基直接还原技术。目前，中国粗钢年产量10亿吨，90%是通过传统的高炉-转炉长流程生产的，高炉炼铁是CO2排放量最大的工序，占全流程碳排放量的75%。基于国情，目前应着力推进高炉富氢冶炼技术完善和推广应用。如何实现氢-煤-氧的协同复合高效喷吹是构建高炉富氢低碳冶炼技术和工艺原型亟待解决的关键问题之一。本研究采用实验和DFT计算相结合，从界面反应中心视角提出煤焦气化反应本质上依赖于界面活性反应中心的可获得性。富氢环境有利于反应中心的生成与暴露，同时H₂O在反应中心上的吸附能显著低于CO₂，使其更易发生初始吸附并优先触发反应。进一步研究发现，H₂O参与的关键反应路径具有低活化能甚至近无势垒特征，可显著强化煤焦气化过程中的反应活性。同时，富氢条件促进碳层断裂与结构重构，加速气体产物脱附，从而维持连续气化反应循环。综合来看，富氢气氛通过“界面反应中心增殖—优先吸附构型形成—低势垒反应路径激活—产物脱附增强”的协同作用机制，显著提升了煤焦气化反应速率。该研究从微观反应机理层面揭示了富氢条件强化煤粉燃尽与煤焦气化的本质原因，为实现风口煤粉燃烧气化率、回旋区热状态和空间维度的协同合理调控及工艺优化提供了重要理论支撑。 该研究得到了国家自然科学基金重点项目（高炉富氢低碳冶炼机理及调控技术（No.52334009））、上海市首批双碳专项（高炉富氢低碳冶炼关键工艺技术研究与示范（No.21DZ1208900））的支持。 全文链接： https://authors.elsevier.com/a/1nHdD4x7R2rxpD 03 近日，上海大学医学院青年教师辅晓晴携手德国图宾根大学多家科研及临床中心，在《Blood》期刊发表题为“Targeting  ACKR3/CXCR7 Enhances Platelet Anticoagulant Acylcarnitines and  Modulates Procoagulant  Function”的研究论文。该研究跳出传统以血小板活化信号为靶点的抗栓策略，转而从血小板脂质代谢重塑角度切入，围绕CXCR7抗栓新靶点开展系统验证，首次阐明一条内源性抗凝调控通路，为血栓性疾病的代谢干预提供了坚实的实验依据与临床数据支持。 研究团队通过一系列体外功能试验、分子机制验证及小鼠模型在体实验，明确了核心调控逻辑：利用药理学手段特异性激活CXCR7受体，可有效激活下游AMPK-ACC信号轴，促使血小板内长链酰基肉碱（LC-CARs）合成、蓄积。 体外实验表明，CXCR7激动剂VUF11207可显著提升健康人和冠心病患者血小板中抗FXa的长链酰基肉碱（LC-CARs，C16:0、C18:1、C18:2）水平，增强内源性抗凝储备，且该效应源于主动保护而非线粒体损伤代偿。激动剂可改善活化血小板的线粒体呼吸与能量代谢。机制上，CXCR7激活AMPK  Ser172磷酸化，进而促进ACC Ser79抑制性磷酸化，阻断脂质从头合成并驱动脂解，促进LC-CARs生成；抑制AMPK可完全消除此效应。 功能上，CXCR7激动剂多维度抑制促凝表型：减少磷脂酰丝氨酸外翻和FX/FXa结合，遏制凝血启动；LC-CARs直接调控凝血酶生成，并与前列环素协同抗凝。在脂蛋白异常环境下，靶点激活下调CD36、ApoER2，减少LDL/oxLDL摄取，抑制氧化应激和线粒体损伤。 体内静脉血栓模型中，CXCR7激动剂缩小血栓体积，抑制血小板活化及血小板-白细胞聚集体，降低促凝脂质和炎症因子，升高抗凝LC-CARs，体现抗栓抗炎双重效应。临床数据显示，STEMI和VTE患者循环抗凝LC-CARs明显耗竭，提示该通路功能下调是血栓性疾病的重要病理特征，为临床转化提供依据。 本研究由德国图宾根大学、上海大学医学院、德国斯图加特Dr. Margarete Fischer-Bosch临床药理学研究所等多家科研和临床机构联合完成。医学院青年教师辅晓晴为论文第一作者。 原文链接： https://doi.org/10.1182/blood.2025030939 04 形状记忆效应，是一种让材料拥有 “记忆”  的神奇特性：被变形的材料在特定环境中可以恢复变形前的形状。这种特性让形状记忆材料成为智能器件的重要核心部件。形状记忆效应一般存在于晶体合金、聚合物等材料中，依赖马氏体相变、玻璃化转变等结构相变才能实现，与马氏体、分子链结构变化有关。非晶态合金，也称金属玻璃、液态金属，凭借超高强度、高韧性、良好的耐腐蚀性能和   优异的软磁性能，一直是高性能材料领域的研究热点。非晶态合金中的原子结构呈长程无序，在短程、中程尺度上由等效原子团簇密堆构成，其中没有马氏体、分子链结构，那么其形状记忆效应的物理机制是怎样的？这种形状记忆效应具有怎样的特征？ 针对上述问题，上海大学核电关键材料全国重点实验室黄波副研究员指导2021级硕士研究生廖善思（现为奥地利科学院埃里克·施密德研究所博士研究生），与松山湖材料实验室、美国阿贡国家实验室、中国科学院宁波材料所等单位展开合作研究，取得了重要进展，研究成果以《Shape  Memory Effect Controlled by Localized Flow of Liquid‐Like Atoms in  Metallic Glass》为题，发表在国际顶级材料期刊《Advanced  Materials》（影响因子：29.1）上。上海大学为论文第一单位，上海大学黄波副研究员、奥地利科学院埃里克·施密德研究所博士研究生廖善思为论文共同第一作者，上海大学黄波副研究员和河北工业大学、松山湖材料实验室尚宝双研究员为论文共同通讯作者，论文作者还包括上海大学王刚教授、王庆研究员、易军副研究员、硕士研究生楼少峰，中国科学院宁波材料所王军强研究员和美国阿贡国家实验室先进光子源李天祎博士。 图1 （a）初始态的、（b）热水中变形训练的和（c）热水中形状回复响应的非晶态合金 该研究发现，非晶态合金在数百K的变形温度范围、数百MPa变形压力范围和数千秒的变形时间范围内均可呈现出形状记忆效应，并且形状记忆效应随变形温度、时间、应力的增加而更为显著。例如，La基非晶态合金可以在320  K至440 K之间呈现出形状记忆效应；将其在开水中（温度为373 K）变形后，再加热可实现形状回复（如图1所示）。 图2 不同温度下形状记忆过程中非晶态合金约化原子对分布函数的变化 基于同步辐射X射线衍射实验、分子动力学模拟和黏弹性模型分析发现，非晶态合金的形状记忆效应源于其动力学结构不均匀性。在形状记忆过程中，合金中中程尺度上有序密堆链状结构更少的类液区发生局域流变，而类液区周围稳定链状结构更多的弹性基体发生可逆变形。弹性基体的可逆变形导致合金约化原子对分布函数第一个峰峰位在变形、形状回复过程中先增大、再减少；而类液区中的中程序链状结构在流变过程发生不可逆的断裂、重排，导致约化对分布函数第二个峰的峰位不断减小（如图2所示）。低温下，形状记忆过程中可逆弹性变形导致的内应力的增加使得合金的弛豫焓、虚化温度增加，呈现出年轻化现象；形状回复时弹性能释放导致的合金自由能的减小是形状记忆效应的热力学驱动力。在高温下，结构老化显著，使得弛豫焓、虚化温度减小。 图3 非晶态合金形状记忆效应的机制示意图 类液区和其周围结构更稳定的弹性基区分别是非晶态合金形状记忆效应的记忆开关和载体。在变形、冷却的过程中，激活的类液区被冻结，固定住变形的弹性基体的形状，形状回复过程中，类液区的再激活使得弹性基体恢复变形前的构型（图3）。类液区的黏度为~ 1010Pa s，其激活能与温度、时间、应力呈阿仑尼乌斯关系，随变形温度、时间、应力的增加，被激活的类液区更多，类液区的变形量更大，使得形状记忆效应更为显著。通过控制温度、时间、应力调控类液区的激活，可以精准控制非晶态合金的形状记忆过程。 由于动力学结构不均匀性是非晶态合金的本质特征，因此形状记忆效应广泛存在于不同体系的非晶态合金中，例如Zr50Cu40Al10、Cu50Zr50、La60Ni15Al25、La60Co15Al25、La60Cu15Al25非晶合金。低温下非晶态合金内部仍存在大量类液区，因此其形状记忆效应可在远低于玻璃转变温度的宽温区间内产生，区别于传统形状记忆材料仅能在玻璃转变温度、熔融温度或马氏体相变温度附近实现形状记忆。非晶态合金的形状记忆效应可多次循环实现，受结构老化过程影响小。非晶态合金屈服强度极高，其形状记忆承载极限可达~  1 GPa，远高于形状记忆聚合物（~10 MPa），例如，锆基非晶态合金在变形温度 660 K、变形应力 200 MPa  条件下依旧表现出显著的形状记忆行为。基于非晶态合金的类液区起源、高强韧优势、宽温域形状回复能力，有望开发新型的反应堆自密封垫片、辐照应变缓冲件、多温区无源安全驱动元件，克服聚合物记忆材料形状回复应力小、热导率低等难题，突破传统晶态记忆合金马氏体孪晶结构易受辐照破坏、记忆温度窗口窄的瓶颈，支撑裂变堆、聚变堆关键材料国产化研发。 本工作是上海大学核电关键材料全国重点实验室无序合金团队在新型智能材料设计研究领域的系列突破之一，得到了国家自然科学基金（52471177,  12474187,  U23A2065）、上海市自科学基金（22ZR1422500）、广东省量子科学战略专项（GDZX2301001）、中国科学院宁波材料所科教融合开放课题（No.  22Z00376）等项目的支持。 论文链接： https://doi.org/10.1002/adma.73782 05 近日，上海大学材料学院23级博士生张乐以第一作者在国际顶级期刊《Advanced  Materials》发表题为“Carbonyl-Modulated Lowest Unoccupied Molecular Orbital  Energy Directs Machine Learning Screening of Electrolyte Additives  toward Ultra-Stable Zinc Metal  Anodes”的研究性论文。上海大学为唯一单位，指导老师为程红伟教授。张乐攻读博士学位以来，已在Energy &  Environmental Science、Energy Storage Materials、Advanced Functional  Materials、Chemical Engineering  Journal等国内外知名学术刊物上发表多篇SCI论文，并成功入选2025年度中国科协青年科技人才专项计划。 可再生能源的高效转化与利用是实现  “碳达峰、碳中和”战略目标的重要举措。水系电化学储能系统凭借低成本、高安全及环境友好等特点，在新一代大规模储能技术中展现出广阔前景。其中，可充电水系锌电池（AZIBs）因其资源丰富、理论比容量高（820  mAh g⁻¹）、低电极电位（‒0.763 V vs.  SHE）及在水系电解液中良好的可逆性等优势，相较于镁、钙、铝等其他金属负极体系表现尤为突出。然而，锌负极界面不稳定引发的副反应、析氢等问题严重制约了水系锌离子电池的商业化进程。研究表明，有机分子电解液添加剂提供了一种有效的解决方案，但传统添加剂筛选多依赖于试错和经验，消耗了大量的人力和物力，且成功率较低。 当下，人工智能驱动的材料设计（AI4M）正加速应用于芯片设计、生物医药、能源材料等众多领域，成为科研创新的核心驱动力，其核心是从“经验试错”转向“数据驱动”，实现材料的快速筛选与性能预测。受此启发，我们将该科研范式应用于AZIB电解液添加剂的开放设计。众所周知，基于密度泛函理论（DFT）的描述符分析已成为关联分子特性与电化学性能的重要手段。然而，目前研究缺乏对“分子结构—界面行为—电池性能”之间构效关系的系统认识，限制了高性能添加剂的定向开发。在锌电池体系中，构建稳定且离子导通的固体电解质界面（SEI）对提升锌沉积/剥离可逆性至关重要。研究表明，分子的最低未占据分子轨道（LUMO）能级是决定其还原倾向的关键描述符。LUMO能级越低，分子在负极界面接受电子的能力越强，越能优先于H2O、SO42−等溶剂或阴离子发生还原分解，从而原位形成具有保护功能的SEI层，抑制副反应并引导均匀锌沉积。因此，LUMO能级可视为连接分子结构与界面稳定性的关键桥梁，为实现高性能添加剂的设计提供了清晰的物理依据。 基于此，该论文提出以最低未占分子轨道（LUMO）能量和溶解度作为双重筛选标准，开发了一种新型高精度“有机分子注意力预测图神经网络”，以实现有机添加剂的高通量筛选。通过沙普利可加性解释（SHAP）与态密度计算，明确了羰基电子局域化是主导界面动力学的关键描述符。基于该原理，α-酮戊二酸（Ket）被筛选为最优添加剂。其电负性羰基基团之间的强配位作用，能够在锌表面诱导形成具有梯度结构的SEI，从而实现均匀的Zn2+通量分布，并显著增强界面的可逆性。采用改性后电解液的Zn||Cu电池在3500次循环中实现了高达99.93%的平均库仑效率；Zn||Zn对称电池在5.0  mA·cm⁻⟡电流密度下展现出前所未有的4500小时（187天）超长循环寿命，日历寿命超过7000小时，且在高达30  mA·cm⁻⟡的超高电流密度下仍能保持稳定性。此外，与高载量（~10 mg  cm⁻⟡）钒酸铵正极匹配的全电池在600次循环后容量保持率仍超过80%。 图1 分子性质预测、高通量筛选、多尺度关联分析及高稳定性界面工程示意图 本研究基于AI4M提出的“分子轨道局域化–界面化学调控”协同设计理念，构建了功能添加剂分子衍生的高稳定界面与电化学性能之间的内在关联，为多价金属电池体系中电解液添加剂的定向开发确立了普适性的理论基础。面向国家新能源战略需求，2026年以来团队围绕新能源材料与电化学储能研究方向取得了一系列鼓舞人心的研究成果（Energy  Environmental Science, 2026, 19, 1202-1214；Energy Storage Materials,  2026, 84, 104887; Energy Storage Materials, 2026, 89, 105242; Chemical  Engineering Journal, 2026, 529, 172666；Chemical Engineering Journal,  2026, 539, 177200；Small, 2026, 22, e73111; Nano Research, 2026, 19,  94908178; Journal of Membrane Science, 2026, 749,  125454）。相关工作得到国家自然科学基金（52574471, 52404423,  52334009）、上海市自然科学基金（23ZR1421600）等资助。 论文下载链接： https://doi.org/10.1002/adma.73811 06 近日，上海大学通信与信息工程学院郭海润与牟成博团队合作在国际知名期刊《Laser  & Photonics Reviews》（中科院一区TOP期刊，影响因子10.0）发表题为“Ultrafast  Supercontinuum Generation in Silicon Nitride Waveguides With Noise  Mitigation”的研究论文，在读博士研究生王开、李乾坤为共同第一作者，郭海润、牟成博为共同通讯作者。 图1氮化硅波导超连续耦合实验现象。 超连续谱技术，即通过非线性效应将单色激光转化为超宽带光谱的方法，被誉为光学领域的“白光激光”，它是频率计量、高精度光谱分析及光频梳的核心。然而，在现有的集成光子芯片上实现“高质量”的超连续谱一直是一个巨大的挑战。研究团队发现，虽然飞秒激光器与光子集成波导的结合展示了广阔前景，但传统的孤子裂变及高阶微扰效应往往会破坏光谱的连续性与相干性。长期以来，如何在集成平台上同时实现“自压缩、少周期脉冲”与“低噪声、高相干性”，一直难以两全。研究团队采用碳纳米管激光器与氮化硅芯片结合的方式攻克了这一难题：通过碳纳米管薄膜制作为可饱和吸收体的全保偏被动锁模光纤激光器，驱动集成在氮化硅平台上的光子芯片产生超连续。该方案通过优化种子激光器的结构，实现了更纯净的输入脉冲序列，经过精密色散工程的氮化硅波导，使其能够精确引导光脉冲演化，从而触发确定性的“自压缩”效应。 图2 片上超连续实验结构及结果。(a) 超连续实验结构，(b) 超连续展宽过程及仿真，(c) 超连续相干性测量结果，(d) 拍频实验结果，(e) 超连续前后脉冲压缩对比，(f) 超连续相位噪声测量结果。 研究团队发现产生的超连续谱可以从可见光持续到中红外波段，兼顾相干性与超宽实验结果令人振奋。该系统成功将光脉冲压缩至3个光学周期的极短极限，同时光谱带宽跨越了三个倍频程。更为关键的是，这种非线性演化展现出了极佳的相干性。通过共线自参考测量，研究团队验证了该系统产生了极其稳定的窄线宽光学频率梳，其相位噪声与相对强度噪声也得到了显著抑制。 该研究为实现覆盖可见光至中红外波段、兼具时域与频域相干性的光学频率梳提供了新思路。这一成果不仅推动了集成光子芯片向小型化、低功耗方向迈进，更为开发高性能便携式光谱仪、超高分辨率的显微镜及新一代光钟提供了关键技术支撑，显著增强了相关精密测量设备的探测灵敏度。 该工作得到量子科学技术创新计划（编号2023ZD0301500）、国家自然科学基金（项目编号62135007、61975107、12374313）、上海市自然科学基金（24ZR1422000）、国家重点研发计划（2020YFB1805800）、CPSF博士后奖学金计划（GZC20250549）、“111”工程（D20031）以及上海市科技项目（No.  25JD1405000）资助。 论文链接： https://doi.org/10.1002/lpor.202502896 END

摘要： 当Schrödinger生命科学套件遇上AI大模型，会擦出怎样的火花？本文深度解析从Maestro、Glide到FEP+、Desmond等核心小分子药物发现模块与AI的融合架构，并首次揭秘如何将其与DeepSeek V4、AlphaFold3等大模型进行本地化部署，实现从靶点发现、虚拟筛选到先导优化的全链路智能化。同时，我们提供了针对不同预算和规模的UltraLAB GPU异构超算硬件配置方案，助您打造专属的“小分子药物发现AI数字孪生工作站”。 在创新药研发领域，效率就是生命。传统的小分子药物发现工作流往往面临着虚拟筛选周期长、先导优化耗时、合成路线规划繁琐等痛点。随着AI技术的爆发式增长，将Schrödinger、Glide、FEP+、Desmond等核心软件与本地大模型（LLM）深度集成，给出了完美的解决方案——原生支持AI辅助，并可与本地大模型（LLM）深度交互。 这不仅是软件的升级，更是工作模式的革命。今天，我们将带您全方位拆解小分子药物发现的AI融合架构，并提供一份详尽的本地部署与硬件配置指南。🧠 核心揭秘：小分子药物发现全链条与AI的“化学反应” 小分子药物发现覆盖从靶点结构准备到先导化合物优化的完整价值链。2026年，AI/大模型已深度渗透至每一个环节，形成“AI驱动发现→AI加速验证→AI优化先导→AI规划合成”的闭环范式。其核心模块均已预留了AI接口，实现了真正的“AI+小分子药物发现”深度融合。 为了让您一目了然，我们整理了核心模块的AI赋能全景图： 表格研发阶段核心模块/软件核心功能AI融合切入点靶点准备Maestro、Prime、AlphaFold3蛋白结构准备、同源建模、结构预测AI靶点结构预测、Prime精修、口袋识别虚拟筛选Glide、Phase、Shape Screening分子对接、药效团筛选、形状筛选AI生成式分子设计、虚拟筛选结果智能分析先导优化FEP+、Desmond、WaterMap自由能计算、分子动力学、水分子分析AI力场优化、AI增强采样、FEP+结果智能分析量子化学Jaguar、QSiteDFT计算、QM/MM、反应机理AI反应路径预测、过渡态智能搜索ADMET预测QikProp、Predictive ToxicologyADME性质、毒性预测、膜通透性AI ADMET综合评分、安全性早期预警合成规划RetroSynth、AutoTS逆合成路线规划、过渡态搜索AI合成路线推荐、可合成性评估智能设计Maestro Assistant、DeepAutoQSARAI助手、自动化QSAR建模自然语言驱动建模、活性预测模型一键构建 💡 划重点：效率革命： AI逆合成路线规划，将合成设计从“数天”压缩至“数分钟”；AI自动化QSAR建模，将模型构建从“数周”压缩至“数小时”。智能决策： 内置的Python API和LangChain支持与外部大模型交互，这意味着您可以直接在工作站内调用DeepSeek或通义千问（Qwen）来分析模拟结果。🛠️ 实战场景：本地大模型如何重塑工作流？ 很多企业关心，AI到底怎么落地？通过开放的API接口，让本地部署的大模型成为了可能。以下是三个最具价值的落地场景： 1. AI驱动端到端小分子药物发现（AlphaFold3+Glide+FEP++LLM）痛点： 传统药物发现从靶点到先导化合物需2-3年，跨阶段信息传递损耗大。AI方案： AlphaFold3本地批量预测靶点结构，生成式AI模型生成候选分子，Glide进行虚拟筛选，FEP+进行自由能计算。效果： 本地DeepSeek V4大模型基于RAG知识库，自动生成“药物发现策略报告”，包含靶点评估、分子设计rationale、合成路线、IP风险等，将研发周期从数年压缩至数月。 2. AI加速先导化合物优化（FEP++Desmond+RetroSynth+LLM）痛点： 先导优化需反复迭代，FEP+计算耗时，合成路线规划依赖经验。AI方案： FEP+计算系列化合物结合自由能，Desmond MD验证复合物稳定性，RetroSynth规划最优合成路线。效果： 本地Qwen2.5-72B大模型自动生成“先导优化报告”，包含SAR分析、活性预测、合成可行性、ADMET风险评估，将优化周期从数月压缩至数周。 3. AI智能文献挖掘与SAR分析（DeepSeek+KNIME+LLM）痛点： 文献/专利海量，SAR数据分散，人工整理耗时。AI方案： DeepSeek V4 Flash批量挖掘文献/专利，提取SAR数据。KNIME Extensions自动化工作流处理数据。本地大模型生成SAR分析报告。效果： 文献调研时间从数周压缩至数小时，SAR报告自动生成，包含活性趋势、关键取代基、构效关系图，为药物设计提供数据支撑。💻 硬件为王：UltraLAB 异构智能工作站配置推荐 软件再强，也需要强悍的硬件支撑。小分子药物发现+大模型本地部署属于典型的“GPU显存密集型+CPU计算密集型+内存密集型+数据I/O密集型”的复合场景。 根据预算和规模，我们为您精选了五套UltraLAB配置方案： 方案一：入门AI药物发现站（预算：8-10万元）适用： 教学/入门科研（Glide中小规模对接+单卡FEP+）+ DeepSeek 32B本地推理。核心配置： AMD 锐龙9 9950X3D (16核/5.7GHz) + NVIDIA RTX 4090 48GB + 192GB内存。点评： 性价比之选，高主频CPU保证Maestro/Glide响应快，48GB显存足以支撑FEP+中小体系+DeepSeek 32B推理。 方案二：主流AI药物发现工程站（预算：15-18万元）适用： 大规模虚拟筛选（Glide百万级库）+ Desmond MD + 72B大模型本地部署。核心配置： AMD 线程撕裂者 7980X (64核/4.8GHz) + NVIDIA RTX 4000 Ada 20GB + 192GB内存。点评： 64核高频CPU是Glide虚拟筛选的利器，20GB显存满足Desmond中小体系MD需求。 方案三：GPU加速药物发现站（预算：22-28万元）适用： FEP+批量自由能计算 + AlphaFold3结构预测 + 多任务并发。核心配置： AMD 霄龙 9755 (128核/4.1GHz) + NVIDIA A100 80GB + 384GB内存。点评： 80GB大显存是FEP+大体系和AlphaFold3长序列预测的关键，128核CPU保证Jaguar量子化学计算效率。 方案四：旗舰AI药物发现超算站（预算：60-70万元）适用： 药企级全管线药物发现 + AI+Schrodinger双引擎 + 多项目并发。核心配置： 2×Xeon 铂金 8568Y+ (96核) + 4×RTX Pro 6000 96GB (共384GB显存) + 640GB内存。点评： 真正的算力怪兽，4张96GB显卡可同时跑FEP+多任务+DeepSeek V4原生权重（160GB）+分子生成模型训练，单机全覆盖。 方案五：极限AI药物发现超算中心（预算：80-100万元）适用： CRO/药企团队级集群 + 多课题组共享 + 蛋白质折叠+冷冻电镜+分子动力学统一调度。核心配置： 2×AMD霄龙9655 (192核) + 多计算节点 + 23TB闪存阵列 + 280TB并行存储。点评： 192核CPU是高通量筛选的利器，100G EDR互联保证多节点通信效率，为未来扩展留足空间。❓ 常见问题Q&A Q：Schrödinger能在Windows上跑GPU加速吗？A： 不能。 Desmond、FEP+、WaterMap等GPU加速模块仅支持Linux。Windows下只能以CPU模式运行，速度慢一个数量级。结论：购买GPU工作站务必选Linux系统。 Q：为什么Glide虚拟筛选推荐高主频多核CPU，而不是堆显卡？A： Glide对接是纯CPU并行算法，每个配体是一个独立任务，吞吐量=核数×单核频率。显卡对Glide几乎无帮助。因此百万级库筛选应选64核4.8GHz超频平台或128核霄龙平台。 Q：FEP+需要什么样的GPU？多卡有什么用？A： FEP+是GPU密集计算，单任务建议24GB以上显存；多卡的价值在于"多分子并行"——4张卡可以同时计算4组扰动，先导优化周期从周级压缩到天级。预算有限选RTX 4090 48GB，正式生产环境推荐RTX Pro 6000 96GB或A100/H100 80GB。 Q：DeepSeek V4 Flash大模型和Schrödinger装一台机器上，显存怎么分？A： DeepSeek V4 Flash原生权重约160GB，需独占192GB显存（如2×RTX Pro 6000 96GB）；Schrödinger的FEP+/Desmond用另外的计算卡。这就是4×96GB方案的设计逻辑：2卡推理+2卡计算，互不抢占。 Q：AlphaFold3结构预测需要什么配置？A： 单卡24GB显存可跑标准推理（单复合物<2000残基）；批量预测或超长复合物建议48-80GB。RTX 4090 48GB或A100 80GB方案均可覆盖。 Q：预算10万以内，想同时跑Schrödinger和AI药物发现，怎么配？A： 选AMD 锐龙9 9950X3D + RTX 4090 48GB方案：16核超频跑Glide/建模，RTX 4090 48GB同时胜任①Desmond/FEP+中小体系GPU计算 ②AlphaFold3推理 ③4-bit量化DeepSeek V4 Flash文献助手。这是单机预算内的"全能甜点"方案。📌 总结 Schrödinger小分子药物发现+大模型本地部署的本质是“GPU显存密集型+CPU计算密集型+内存密集型+数据I/O密集型”的复合场景。从Glide的百万级虚拟筛选到FEP+的高精度自由能计算，从Desmond的长时分子动力学到Jaguar的量子化学计算，从AlphaFold3的结构预测到DeepSeek的文献挖掘，UltraLAB通过“高频多核CPU+大显存GPU集群+高速NVMe存储”的异构架构，让药物科学家在同一台工作站上完成“靶点准备→虚拟筛选→先导优化→合成规划→报告生成”的全链条工作——从靶点到先导，从数据到决策，一台工作站全搞定。