AsterFireGo (AsterFire Go官方团队)

一句话跑通 GeS 光学性质计算，ABACUS 原来可以这么用！

AsterFireGo — Mon, 12 Oct 2026 10:10:10 +0000

二维硫化亚锗（GeS）凭借独特褶皱晶体结构与优异光电特性，在光电器件领域备受关注，但 ABACUS+PyATB 的光学性质第一性原理计算流程繁琐，手动配置环境、串联自洽计算与后处理步骤门槛高。本文借助 AsterFire Go 平台 ABACUS 智算 Agent，仅用一句自然语言指令，自动完成全套 DFT 计算，高效解析单层 GeS 光学各向异性，清晰揭示其面内、面外光学响应差异，为二维半导体光电性能快速模拟提供全新对话式科研方案。

AsterFire Go 是一个用聊天就能做科学计算的平台。药物设计、蛋白模拟、分子动力学、量子化学、DFT 计算……打字告诉它你想算什么，最快速度给你结果。平台致力于让大家轻松调用各类算力，不用琢磨环境与集群配置、纠结方法、调试参数，把精力留给科研本身。现阶段封装了 SPONGE（对标 GROMACS）、ABACUS（对标 VASP）、ORCA（学术用途）、ProteinMPNN、DSDP（对标 Autodock Vina）、Bindcraft、RFdiffusion 等软件，同时还有文献检索总结、pdf 高保真翻译等百余种工具，均可通过自然语言调用或串入工作流。

AsterFire Go 用户交流群

产品内测期间加入官方用户群可得 1 个月专业版会员，含 4 个流动星币 + 50 GB 存储空间 + 百余种高级模型 + 全算力消费 9 折优惠。

AsterFire Go 工具 vs 传统 DFT 计算

对初次接触第一性原理计算的用户而言，操作难点不仅在于某一个参数的设置，更在于把各阶段正确衔接起来。对于光学计算，自洽算完还要把 HR / rR / SR 等矩阵元文件（H(R)：实空间哈密顿量；S(R)：交叠矩阵；r(R)：位置矩阵）正确交付 PyATB，才能获得最终结果。本例展示的重点，就是用简短的自然语言实现整个目标，让任务自动连续推进，直接展示核心指标与最终结果。

	传统 DFT 光学性质计算	AsterFire Go 平台
操作方式	手动准备结构、计算输入与后处理输入，命令行操作	以自然语言启动计算，自动规划，对话式操作
环境部署	手动部署 ABACUS 与 PyATB 环境：依赖、并行、求解器、后处理库等等	依托平台强大的科学计算综合能力，无需本地环境配置
文件准备	手动准备 STRU、INPUT、KPT、赝势与数值原子轨道文件，还要另写 PyATB 的输入	自动完成结构识别，以及输入文件的准备与校验
参数配置	自行测试收敛性，决定基组、截断能、K 点、占据带数、展宽 η 与能量步长等参数	Agent 自动完成可靠且精确的参数配置
任务调度	自洽计算与光学后处理之间手动搬运 HR / rR / SR 矩阵文件，手动串联各阶段	自动任务调度，由 Agent 组织任务、传递文件，衔接各阶段结果
结果整理	手动从输出文件提取 ε1、ε2，再换算出 α、n、k、R 等并绘图	自动完成结果整理
以本案例为例	需分步手动实施计算	一句话完成全套计算

ABACUS 智算 Agent：对话启动光学性质计算

ABACUS（Atomic-orbital Based Ab-initio Computation at USTC，中文名：原子算筹）是一款国产开源的以 DFT 计算为主的第一性原理软件，由中国科学技术大学何力新教授、中科院物理研究所任新国研究员和北京大学陈默涵研究员主导开发，拥有完全自主知识产权。其主要开发人员来自中国科学技术大学、中国科学院物理研究所、北京大学、北京科学智能研究院和合肥综合性国家科学中心人工智能研究院等单位。ABACUS 支持平面波和数值原子轨道两种基组，对各种体系与性质的计算支持良好。

星使智算结合 ABACUS 开发者的专家知识，以及官方手册，各领域知识，和大量用户的实践反馈，打造了 ABACUS 智能体。通过它，对话即可完成 ABACUS 计算，整个过程中用户无需手动输入关键参数。

第一步：描述任务

进入 ABACUS 智算 Agent，上传已经优化好的 GeS 结构文件，并输入本次使用的指令：

计算优化后的 GeS 四原子二维结构的光学性质

这条指令同时说明了研究对象（GeS 四原子二维结构）、前置状态（结构已经优化过）和预期输出（光学性质）。进行其他计算时，也应说清这几样。若对晶型、真空层厚度等已有明确、特殊的要求，应一并写入。

第二步：确认计划

Agent 识别、校验完结构后，会列出计算设置、平台资源探测结果、作业流水线规划等（此处为结构输入 → ABACUS 计算 → 后处理）。用户确认上述内容后，Agent 开始执行计算。本次任务的要点包括：不重复做结构弛豫；调用 ABACUS（LCAO 基组）+ PyATB，PBE 泛函（默认），非自旋极化、无 SOC；输出为光吸收系数谱（cm-1，0-30 eV）与介电函数实部 / 虚部，光谱展宽 η = 0.1 eV。用户审核 Agent 的计划时，若有其他计算要求，也可随时补充说明。

对于不熟 ABACUS 的用户，核对计划时，只需重点看「算什么」和「用什么结构算」，而不必逐项复述软件参数，智能体可以给出很好的计算设置。

图 1：描述 GeS 光学性质计算需求并确认任务计划。

第三步：执行计算

确认后，Agent 开始准备输入文件并调用平台资源执行计算。本次任务，Agent 选择使用 1 张 V100 GPU 和 cuSolver 求解器。Agent 会根据任务，选用合适的高性能 GPU 计算资源，以及相应的求解器，以高效完成计算。

在整个执行过程中，Agent 会自动进行电子步监测、节点状态核查、输出合理性等一系列必要检查。例如本例中，它通过平台的状态核查判定 abacus_optical 工具处于「计算步骤运行中」，并以真实的 Slurm 作业号作为启动证据；同时确认：等待输入的节点为空、没有失败节点。如遇电子步不收敛等情况，Agent 会自动调整参数并重新计算（失败节点按调试循环，最多重跑 3 轮）——在运维层面上，绝大多数问题同样不需要用户手动解决。与此同时，用户可以在平台上预览各文件，无需下载，随时查看计算真实的运行状态。

本例中，ABACUS 自洽计算 20 步收敛，随后的 PyATB 光学后处理扫描 8000 个 k 点。整个工作流共耗时 17 分 23 秒。

第四步：展示结果

任务结束后，平台返回「GeS 二维单层光学性质计算（ABACUS）· 执行报告」，内附吸收系数谱、介电函数实部 / 虚部、光学张量三分量图谱与汇总的原始数据。本次执行的关键指标为：光子能量采样区间 0-30 eV、共 3001 个采样点，吸收峰能量 6.85 eV，峰值吸收系数 1.02×106 cm-1，费米能级 -1.1187 eV，占据能带 20 条。同时，任务面板把本次执行的全部产物整理为 14 项关键文件，可一次下载。

图 2：执行计算、查看报告与结果。

二维 GES 单层计算结果解读

结构检查：能否直接用于光谱计算

自洽计算中，电子步 20 步收敛，总能为 -4453.3654 eV，费米能级为 -1.1187 eV；单点计算给出的最大残余力约 0.14 eV/Å、最大应力约 1.8 kbar（总压 1.14 kbar）。这说明，该二维单层构型合理，可以直接作为光学性质计算的起点。

光学性质对结构的敏感程度高于总能：如果用户误将未优化结构上传给智能体，吸收峰的位置与强度都会随之漂移，因此，在自洽结束后，Agent 额外核验了结构的可靠性（无用户提醒）。

图 3：GeS 单层的晶体结构、光吸收系数谱、介电函数实部，以及折射率与消光系数。

吸收系数：多方向吸收谱特征解析

吸收谱给出沿三个方向的吸收系数。最高的吸收峰位于 6.85 eV，峰值吸收系数约 1.02×106 cm-1，这个峰主要来自面外（zz）分量；面内两个分量的主峰则分别落在 5.21 eV（约 7.26×105 cm-1，xx）与 4.47 eV（约 6.58×105 cm-1，yy），三分量的平均吸收峰在 6.40 eV（约 7.35×105 cm-1）。整体来看，吸收主要集中在 2-8 eV 这一紫外 - 可见光区间，在这一波段，GeS 的透过性能较差。

介电函数：实部与虚部

吸收系数本身直接由介电函数计算得到，这两者是对于线性光学响应的两种不同方面的表述。介电函数实部 ε1 描述介质对电场的极化响应：低频极限则给出光学介电常数（ε∞）的三个分量，对于 GeS，ε∞ 分别为 3.43（xx）、3.55（yy）与 2.23（zz），面内方向明显大于面外方向。随光子能量升高，ε1 依次在 5.07 eV（xx）、4.47 eV（yy）与 6.73 eV（zz）附近越过零转为负值——这三个零点恰好落在各自的吸收峰上。介电函数虚部 ε2 描述能量的耗散，其振幅在 3.57 eV（xx）、2.88 eV（yy）与 6.30 eV（zz）附近出现极大值，与吸收峰一一呼应。折射率 n 与消光系数 k 同理：面内的 n 在 2.6–2.8 eV 之间取到最大值，面外分量则要到 6 eV 前后才取到峰值；k 的极大值出现在各自吸收峰附近——面内约 1.38（xx）与 1.45（yy），面外约 1.52（zz）。

另外，还需提及，此处光学性质仅包含电子贡献，因此不能给出正确的中、远红外光学性质。对于这一波段，须额外考虑声子对光学性质的修正（相关计算非常耗时）。

光学各向异性：面内与面外的分工

把三个分量放在一起对比，二维 GeS 的光学各向异性一目了然：面内的 xx 与 yy 分量在 3-5 eV 形成第一个吸收波段，面外的 zz 分量则在这一区间响应较弱（4 eV 处约为面内的七分之一），而在 6.5-7 eV 出现整条谱上最强的吸收峰。反射率 R 也有类似趋势——低能区面内两个方向明显高于面外，而到 8 eV 附近，面外方向升至 0.42，面内则落回至 0.2 以下。

这种「面内低能活跃、面外高能活跃」的差别，根源在于单层褶皱结构，面内与面外的成键方式不同，因此使跃迁矩阵元对偏振方向敏感。对器件应用而言，这意味着可以用入射光的偏振方向来选择性激发某一类跃迁。

图 4：GeS 单层的面内与面外吸收对比、平均吸收系数、介电函数虚部与反射率。

案例总结：自然语言完成的第一性原理光学性质计算

回看整个任务，我们仅用一句话完成了整套计算。在操作上，用户主要参与需求描述和计划确认；而输入文件的准备、自洽计算、后处理、两者的衔接、结果汇总等等，全部由 Agent 处理。对刚开始接触二维材料光学性质计算的研究者来说，这种方式有助于先建立对 ABACUS 与 PyATB 联合流程，整体的、系统的认识。之后若有兴趣，研究者可以再深入研究相关理论，逐步了解计算方法，与各种参数的具体影响。

（小提示：也可以与 ABACUS Agent 对话学习相关知识哦~密度泛函的相关理论，已经以知识库的形式封装在 Agent 中啦）

任务结束后，Agent 会推荐下一步的计算方向，如用 HSE 得到更准确的带隙与吸收边、计算激子效应（BSE）后的光学吸收谱、计算声子谱与电声耦合，等等。用户如有需要，可再用简单几个字开启更为深入、复杂的计算分析。

ABACUS 实战｜如何用提示词完成 Pd(111) 表面 CO 吸附结构优化

AsterFireGo — Tue, 29 Sep 2026 09:30:16 +0000

传统第一性原理表面吸附计算，需要手动建模、编写输入脚本并持续跟进任务，流程繁琐。借助 AsterFire Go 平台的 ABACUS Agent，仅用一句话描述吸附模型，系统就能自动完成 Pd (111) 表面 CO 吸附体系的全套结构优化，无需本地环境配置与人工干预，高效获取稳定吸附构型。

AsterFire Go 是一个用聊天就能做科学计算的平台。药物设计、蛋白模拟、分子动力学、量子化学、DFT 计算……打字告诉它你想算什么，最快速度给你结果。平台致力于让大家轻松调用各类算力，不用琢磨环境与集群配置、挑选方法、调试参数，把精力留给科研本身。现阶段封装了 SPONGE（对标 GROMACS）、ABACUS（对标 VASP）、ORCA（学术用途）、ProteinMPNN、DSDP（对标 Autodock Vina）、Bindcraft、RFdiffusion 等软件，同时还有文献检索总结、pdf 高保真翻译等百余种工具，均可通过自然语言调用或串入工作流。

AsterFire Go 用户交流群

产品内测期间加入官方用户群可得 1 个月专业版会员（含 4 个流动星币 + 50 GB 存储 + 百余种模型 + 算力消费 9 折优惠）

背景介绍：CO 吸附催化基础研究

钯（Pd）基催化剂在 CO 氧化、汽车尾气净化与电催化 CO₂ 还原等领域应用广泛，CO 分子在 Pd(111) 表面的吸附正是这些催化过程的起始步骤。吸附构型——包括吸附位点、分子取向与键长变化——直接影响后续反应路径与能垒，因此对 CO/Pd(111) 体系开展第一性原理结构优化，是表面催化机理研究的基础。

本例采用周期性平板模型描述 Pd(111) 表面：沿表面法向构建 4 层 Pd 原子层，并预留约 20 Å 真空层以消除层间相互作用；CO 以碳端朝下放置在表面 fcc hollow 位点上方，初始 C–Pd 距离约 2.5 Å，模型共含 34 个原子（Pd₃₂·CO）。

图 1：Pd(111) 吸附 CO 示意图

计算流程：一条工作流完成全部计算

在 AsterFire Go 中，用户只需一句话描述需求

（例如：「帮我搭一个 CO 吸附在 Pd(111) 面上的结构，表面取 4 层，扩胞 2×1，真空层 20 Å，CO 距表面 2.5 Å，然后用 ABACUS 做结构优化，力收敛限设为 0.05 eV/Å」），

平台即可自动编排并依次推进以下 8 个节点：

材料库搜索（stru_worker_mp_searcher）：在 Materials Project 搜索 Pd 的体相结构；
提取 material_id：自动解析搜索结果，获取 mp-2；
下载体相结构（stru_worker_mp_downloader）：下载 Pd 的常规晶胞 CIF 文件；
构建表面（stru_worker_slab）：基于体相切出 Pd(111) 表面，设置 4 层原子、2×1 扩胞、20 Å 真空层；
添加吸附质（stru_worker_add_adsorbate）：在 fcc hollow 位点上方放置 CO，C 端朝下，初始高度 2.5 Å；
ABACUS 输入准备（abacus_worker_input_prepare）：自动生成 ABACUS 输入文件，采用 PBE 泛函、LCAO 基组、100 Ry 截断能；
设置收敛标准（abacus_worker_inputs_modifier）：将力收敛限设为 0.05 eV/Å；
结构优化（abacus_worker_relax）：GPU 加速完成晶格与原子位置的全弛豫。

图 2：一站式自动化流程

所有步骤的作业提交、参数配置、收敛判断与结果解析均由 ABACUS Agent 自动完成，全程无需编写脚本或干预集群。

结果解读：吸附体系成功收敛

图 3：弛豫收敛能量

从图 3 的能量收敛曲线可以看出，体系总能量随优化步数逐步下降并趋于平稳，表明结构优化顺利收敛，最终构型位于势能面的能量极小点附近。

图 4：最终吸附状态

结构优化顺利收敛

弛豫在第 32 步收敛，最终最大原子受力梯度 0.0348 eV/Å，低于设定的 0.05 eV/Å 收敛阈值，得到能量为 −110,924.78 eV 的稳定吸附构型。体系共含 34 个原子（Pd₃₂·CO），采用 PBE 泛函与 LCAO 基组，平面波截断能 100 Ry，k 点采样 [1, 5, 3]，Gaussian 展宽 0.004 Ry。

优化后的吸附构型显示：CO 以碳端朝下吸附在表面 fcc hollow 位点上方，C 原子与最近邻表面 Pd 原子的距离经优化后重新分布，C–O 键长约为 1.15 Å。与气相自由 CO 分子相比，吸附后 C–O 键略有伸长，符合 CO 在过渡金属表面发生化学吸附并伴随电荷转移的典型特征；该稳定构型为后续研究 CO 氧化等表面反应提供了可靠的初始结构。

ABACUS 实战——聊天完成 GaN 电子结构计算

AsterFireGo — Mon, 21 Sep 2026 08:44:00 +0000

这次计算解决什么问题

GaN 是一种宽禁带半导体，具备高击穿电压、高热导率、高电子饱和漂移速度等优良特性，因而在射频通信、光伏等领域中发挥着重要作用。常规 GaN 为六方晶格，原胞内含 2 个 Ga 原子与 2 个 N 原子。本例采用 PBE 泛函与 LCAO（原子轨道线性组合）基组，先优化晶格和原子位置，再基于优化结构分析电子性质，将结构与电子态联系起来。

AsterFire Go 用户交流群

产品内测期间加入官方用户群可得 1 个月专业版会员（含 4 个流动星币 + 50 GB 存储 + 百余种模型 + 算力消费 9 折优惠）

AsterFire Go 工具 vs 传统 DFT 计算

对初次接触第一性原理计算的用户而言，操作难点不仅在于某一个参数的设置，更在于把各阶段正确衔接起来。本例展示的重点，就是用简短的自然语言实现整个目标，让任务自动连续推进，直接展示核心指标与最终结果供用户查看。

对比项	传统 DFT 计算	AsterFire Go 平台
操作方式	手动准备结构、编写输入文件、跨任务传递数据	对话式操作，以自然语言启动计算，自动规划
环境部署	手动部署计算环境：依赖，并行，软件本身，后处理等等	依托平台强大的科学计算综合能力，无需本地环境配置
文件准备	手动准备结构文件、赝势文件、k 点设置文件、参数设置文件等等	自动完成建模与输入文件准备
参数配置	手动配置、调试计算参数	自动完成可靠且精确的参数配置
任务调度	结构优化、能带、态密度任务之间手动传递文件，手动串联各阶段	自动任务调度，由 Agent 组织任务、传递文件，衔接各阶段结果
结果整理	手动整理输出文件与计算数据	自动完成结果整理
以本案例为例	需分步骤手动完成全部计算	一句话自动完成优化、能带与态密度全套计算

ABACUS 智算 Agent：对话启动全套计算

ABACUS（Atomic-orbital Based Ab-initio Computation at USTC，中文名：原子算筹）是一款国产开源的以 DFT 计算为主的第一性原理软件，由中国科学技术大学何力新教授、中科院物理研究所任新国研究员和北京大学陈默涵研究员主导开发，拥有完全自主知识产权。其主要开发人员来自中国科学技术大学、中国科学院物理研究所、北京大学、北京科学智能研究院和合肥综合性国家科学中心人工智能研究院等单位。ABACUS 支持平面波和数值原子轨道两种基组，对各种体系与性质的计算支持良好。

第一步：描述任务

进入 ABACUS 智算 Agent，输入本次使用的指令：

构建一个 GaN 原胞，准备 ABACUS 计算输入并做晶格结构优化，然后计算优化后结构的能带和态密度。

这条指令同时说明了研究对象、任务顺序和预期输出。进行其他项目时，也应说清这几样。若对晶型等性质已有明确、特殊的要求，应一并写入。

第二步：确认计划

Agent 构建好原胞后，会列出计算设置、平台资源探测结果、作业流水线规划（此处为晶体优化→能带→态密度）。用户确认上述内容后，Agent 才会开始执行。本次任务采用 PBE 与 LCAO，力和应力的收敛阈值分别为 0.01 eV/Å、0.5 kbar。用户审核 Agent 的计划时，若有其他计算要求，也可随时补充说明。

对于不熟 ABACUS 的用户，核对计划时，只需重点看"算什么"和"用什么结构算"，而不必逐项复述软件参数，智能体可以给出很好的计算设置。此处还要注意的一点是：是仅调整原子位置，还是同时优化晶格。这在 ABACUS 中对应两种不同运行模式。

图 1：描述 GaN 计算需求并确认任务计划。

第三步：执行计算

确认后，Agent 开始准备输入文件并调用平台资源执行计算。本次任务使用 1 张 V100 GPU 和 cuSolver 求解器。Agent 会根据任务，选用合适的高性能 GPU 计算资源，以及相应的求解器，以高效完成计算。

在整个执行过程中，Agent 会自动进行电子步监测，优化结构合理性检测等一系列必要检查，如遇电子步不收敛等情况，Agent 自动调整参数重新计算——在运维层面上，绝大多数问题同样不需要用户手动解决。与此同时，用户可以在平台上预览各文件，无需下载，随时查看计算真实的运行状态。在确认优化完成后，能带与态密度任务会直接调用优化的结果，无需用户手动搬运中间文件。

第四步：展示结果

任务结束后，平台返回"GaN 第一性原理计算报告"，内附优化结构、曲线和主要结论，同时提供结构优化中的能量、力、应力变化图，以及能带与态密度的图与对应数据。

图 2：执行计算、查看报告与结果

计算结果解读

结构优化：检查是否合理

本次初始晶胞较为贴近平衡态，仅经过 7 步离子步即收敛，这也展现出智算本身构建结构的合理性。优化后，总能量约为 −4705.5102 eV，最大力为 0.0042 eV/Å，最大应力为 0.2051 kbar。结合图 3 可见，力和应力变化正常，最终均低于设定阈值，且与此同时，优化后晶格常数与优化前变化不大，因此该优化结构可靠，可供后续性质计算使用。

图 3：平台上预览的优化后 GaN 结构及能量、力和应力曲线

能带：先看带隙

能带报告给出的带隙为 1.7982 eV，价带顶与导带底均位于 Γ 点，在本次高对称路径上表现为直接带隙。

（图中能量以费米能级为零点）

态密度：观察轨道贡献

DOS 在费米能级附近近似为 0，与能带结果相呼应，表明 GaN 不具有导电性。PDOS 显示，所展示的价带区域中 N-p 轨道贡献较突出，导带底附近可见 Ga-s 轨道贡献，更高能量处还有 Ga-p 等轨道参与——价带顶与导带底之间的跃迁通常决定材料的光学性质，因此 GaN 的光学性质也主要由这些轨道所决定。

分析能带与态密度时，可先在态密度图上分析轨道投影贡献，定位关心的能量区间，再结合能带与晶体结构分析其动力学或拓扑性质。

图 4：GaN 能带、总态密度（DOS）与投影态密度（PDOS）

案例总结：自然语言完成的第一性原理计算

回看整个任务，我们仅用一句话完成了整套计算。在操作上，用户主要参与需求描述和计划确认；而输入文件的准备、计算之间的衔接以及结果汇总，全部由 Agent 处理。对刚开始使用 ABACUS 的研究者来说，这种方式有助于先建立对 ABACUS 以及第一性原理计算，整体的、系统的认识。之后若有兴趣，研究者可以再结合 Kohn-Sham 方程等知识，逐步了解参数与具体的方法。

（小提示：也可以与 ABACUS Agent 对话学习相关知识哦~密度泛函的相关理论，已经以知识库的形式封装在 Agent 中啦）

任务结束后，Agent 会推荐下一步的计算方向，如 HSE 计算准确能带、计算光学性质、计算声子谱，等等。用户如有需要，可再用简单几个字开启更为深入、复杂的计算分析。

一键搞定药物蛋白复合物分子动力学模拟（附 1FKJ 实战案例）

AsterFireGo — Fri, 11 Sep 2026 08:51:15 +0000

做药物靶点研究、小分子药物筛选的小伙伴，大概率都遇到过同一个难题：辛辛苦苦做完分子对接，拿到看似完美的蛋白 - 配体结合构象，一深入研究就发现静态对接结果根本经不起推敲。真实生理环境中，蛋白会动态波动、配体可能脱落、复合物稳定性随时变化，仅凭静态结构根本无法判断药物结合的有效性。而能解决这一问题的分子动力学模拟，却因配置繁琐、命令行复杂、参数调试难度大、分析流程冗杂，让无数科研人员望而却步，白白耗费大量时间精力。

今天我们就以经典免疫药物靶点体系——FKBP12–他克莫司复合物（PDB：1FKJ）为实战案例，带大家零门槛上手完整的分子动力学模拟流程，轻松搞定蛋白 - 药物复合物稳定性分析、动态相互作用探究，让药物机理研究更高效、更省心。

AsterFire Go 是一个用聊天就能做科学计算的平台。分子对接、蛋白设计、动力学模拟、量子化学、DFT 计算……打字告诉它你想算什么，30 分钟内给你结果。平台致力于让科研伙伴可以轻松调用各类计算能力，不用琢磨配置集群、挑选方法、调试参数这些事，把精力留给科研本身。现阶段封装了 SPONGE（对标 GROMACS）、ABACUS（对标 VASP）、ORCA（学术用途）、ProteinMPNN、Vina、Bindcraft、RFdiffusion、文献检索总结、pdf 保真翻译等百种基础工具及其环境，均可通过自然语言调用或构建工作流。

AsterFire Go 用户交流群

产品内测期间加入官方用户群可得 1 个月专业版会员，含 4 个流动星币 + 50 GB 存储空间 + 百余种高级模型 + 全算力消费 9 折优惠。

分子对接之后，为什么还要做分子动力学？

分子对接可以预测候选小分子在蛋白结合区域中的可能构象，但对接结果本质上是一张静态结构，不能直接说明该构象在水溶液、温度和压力条件下是否能够保持，也不能反映蛋白和配体随时间发生的构象变化。

对于一个已经获得的蛋白–小分子对接复合物，我们通常还需要回答两个问题：

该复合物在设定的溶剂、温度和压力条件下能否正常完成模拟并保持合理结构？
配体在所采样的时间内是否持续位于原结合区域，蛋白–配体相互作用如何变化？

分子动力学模拟（molecular dynamics, MD）是进一步研究这些问题的常用方法。它通过连续计算体系中原子的运动，获得随时间变化的轨迹，并结合 RMSD、RMSF、回转半径、SASA、氢键和相互作用能等指标，对复合物的动态行为进行分析。MD 的作用是对候选结合构象进行动态检查和比较，而不是仅凭一条短轨迹直接证明高亲和力或实验活性。

本教程选用经典免疫抑制药案例 FKBP12–他克莫司。PDB 1FKJ 是人源 FKBP12 与 FK506（Tacrolimus，他克莫司；结构中配体编号为 FK5）的 1.70 Å 晶体结构。原始 PDB 非对称单元中包含一条 FKBP12 蛋白链 A（1–107）和一个 FK5 配体（A 108）。本教程保留链 A 和 FK5 108，仅删除结晶水。结构来源：https://www.rcsb.org/structure/1FKJ

MD 到底在模拟什么？分子动力学基本原理

经典分子动力学使用力场描述原子之间的键合和非键相互作用，根据势能函数计算原子受力，再以飞秒量级时间步长积分运动方程，从而得到体系随时间变化的构象轨迹。显式水和离子用于近似溶液环境，周期性边界条件用于减小有限模拟盒带来的表面效应。

一个常规蛋白–小分子 MD 流程通常包括结构准备、蛋白和配体参数化、建盒、加水和离子、能量最小化、平衡模拟、生产期模拟以及轨迹分析。力场和配体电荷决定相互作用的近似方式，模拟时长决定有限时间内能够采样到的状态。

用 GROMACS 跑通一次蛋白–小分子模拟

本教程使用的平台工具名称为“GROMACS 2023.2_蛋白和小分子复合物体系”。该 Kit 面向由标准氨基酸组成的单蛋白或多链蛋白与单一小分子配体复合物，可自动完成结构处理、配体参数化、体系构建、GROMACS 模拟和标准化分析。

蛋白部分固定采用 amber14SB_ROC_lipid17 力场和 TIP3P 水模型；小分子通过 ACPYPE/AmberTools 生成 GAFF2 参数，并使用 AM1-BCC 电荷。支持同时上传含正确键级的原始配体 mol2 或 PDB 文件，Kit 会将其作为参考修复对接文件中的配体连接信息。

图 1：GROMACS 2023.2_蛋白和小分子复合物体系使用教程

任务完成后，用户可以直接查看 report.md、综合分析图、末态结构和处理后轨迹，同时下载 RMSD、RMSF、SASA、回转半径、温度、压力、总能量、氢键、短程 LJ/Coulomb 相互作用、RMSD–Rg 自由能形貌、MM/GBSA 结果及量化统计表。

图 2：GROMACS 传统模拟流程

在传统操作流程下，GROMACS 分子动力学模拟需要配置相应的软件环境，并准备力场、水模型及相关参数文件。完成蛋白–配体复合物的结构预处理后，需要进行拓扑生成、溶剂盒构建、离子添加和能量最小化，并通过命令行设置温度、压力、模拟步长及模拟时间等参数。计算完成后，还需要对轨迹、能量和结构变化等数据分别进行整理，并借助可视化软件开展进一步分析。对于不熟悉分子动力学理论、参数设置和命令行操作的用户，整个流程具有一定的使用门槛。

没有 GPU 和命令行，也能完成 MD 模拟吗？

以上介绍的 GROMACS 2023.2_蛋白和小分子复合物体系，AsterFire Go 平台已将上述流程整合到工具百宝箱（Kit）模式中，用户只需上传蛋白和配体文件，填写关键模拟参数（如模拟温度、模拟时间等），即可提交计算并获取可视化结果。相比传统方式，Kit 模式省去了软件安装、环境配置和命令行操作，但仍需用户自行准备结构文件并确认计算参数。

在此基础上，平台进一步提供智算智能体（Agent）模式，将文件准备和参数配置环节也纳入自动化流程。该模式采用对话式交互，用户只需用自然语言描述模拟任务（如“对 FKBP12–他克莫司复合物进行模拟”），平台即可根据需求自动准备结构文件、配置计算参数、调用相应工具执行模拟，并返回结果。整个过程中用户无需上传任何文件，也无需填写任何参数。

图 3：智算 Agent 实现分子动力学模拟

本案例总结：从“跑出轨迹”到“读懂结果”

蛋白质–小分子分子动力学模拟是研究复合物构象稳定性、动态相互作用和结构变化的常用计算方法。以 FKBP12–他克莫司复合物（PDB ID：1FKJ）为例，GROMACS 可在显式溶剂环境中模拟蛋白质与药物分子随时间的运动，并通过 RMSD、RMSF、回转半径、SASA、氢键和最小距离等指标，评估复合物的整体稳定性及关键相互作用，为结合模式分析和后续研究提供参考。

传统分子动力学模拟通常涉及软件安装、运行环境配置、复合物结构清理、配体参数化、溶剂盒构建、离子添加、能量最小化、平衡模拟、生产期模拟以及轨迹分析等多个环节，对用户的计算环境和专业经验具有较高要求。AsterFire Go 将 GROMACS 2023.2 蛋白质–小分子模拟流程封装为统一的计算 Kit：在 Kit 模式下，用户可自主上传 FKBP12–他克莫司复合物和配体结构，并控制模拟时间、温度、压力、配体电荷等关键参数；在智算 Agent 模式下，平台自研 Agent 可围绕 1FKJ 进行结构调研和输入核对，辅助完成文件准备、参数配置、Kit 调用及结果整理，从而降低分子动力学模拟的使用门槛。

通过本教程的 FKBP12–他克莫司案例，可以看到 Kit 与智算 Agent 能够协同完成从结构确认、体系构建和模拟执行到轨迹分析与结果解读的完整流程。需要注意的是，本教程采用的短时间模拟主要用于验证流程是否能够正确运行，并初步观察复合物的结构稳定性，不能直接证明他克莫司的结合亲和力、药理活性或作用机制，也不能代表体系已经得到充分采样。更可靠的结论仍需结合更长时间的重复模拟、实验结构数据及生化实验进一步验证。

分子对接怎么做？基于 SARS‑CoV‑2 Mpro 与候选抑制剂的结合模式

AsterFireGo — Thu, 03 Sep 2026 09:06:10 +0000

一个新的 Mpro 抑制剂，通常要先回答两个问题：它能不能进入活性口袋？如果能，究竟以什么构象结合、形成哪些关键相互作用？

本教程以 Ebselen 为例，使用 AutoDock Vina 和 DSDP 跑通从结构准备、盲对接到结果分析的完整流程，并演示如何借助 AsterFire Go 简化环境配置和计算操作。

如果你没有 GPU，也不想花时间配置 CUDA、PyTorch 和命令行环境，可以直接在 AsterFire Go 上完成同一流程。

无论你是第一次接触分子对接，还是想提高候选化合物的初筛效率，读完本文都能知道这套流程怎么跑、结果怎么读，以及哪些判断仍需要分子动力学模拟或生化实验进一步验证。

AsterFire Go 是一个用聊天就能做科学计算的平台。分子对接、蛋白设计、动力学模拟、量子化学、DFT 计算……打字告诉它你想算什么，30 分钟内给你结果。平台致力于让科研伙伴可以轻松调用各类计算能力，不用琢磨配置集群、挑选方法、调试参数这些事，把精力留给科研本身。现阶段封装了 SPONGE（对标 GROMACS）、ABACUS（对标 VASP），ORCA（学术用途）、ProteinMPNN、Vina、Bindcraft、RFdiffusion、文献检索总结、pdf 保真翻译等百种基础工具及其环境，均可通过自然语言调用或构建工作流。

产品内测期间加入官方用户群可得 1 个月专业版会员，含 4 个流动星币 + 50 GB 存储空间 + 百余种高级模型 + 全算力消费 9 折优惠。

AsterFire Go 用户交流群

一、研究背景：为何 Mpro 对接是抗病毒研发核心环节？

SARS-CoV-2 主蛋白酶（main protease, Mpro）作为病毒多聚蛋白加工和复制过程中不可或缺的关键酶，一直是抗病毒药物研发的重要靶点。围绕 Mpro，已有大量研究开展了小分子和多肽类抑制剂的开发，多种共价和非共价抑制剂已被报道。

对于一个新的候选抑制剂，我们通常首先需要回答两个问题：

它能否进入 Mpro 的活性口袋并形成合理的结合？

如果能够结合，其具体的结合构象和关键相互作用是什么？

分子对接（molecular docking）正是解决这一问题的常用计算方法。通过对候选分子在蛋白结合位点中的可能构象进行搜索和打分，可以在实验验证之前快速筛除结合可能性较低的候选物，并进一步分析其潜在的结合模式。因此，docking 通常被用于药物研发早期的虚拟筛选和结合模式预测，其目的并不是替代 X 射线晶体学或冷冻电镜等实验结构解析，而是以较低的计算成本缩小候选范围，为后续分子动力学模拟和实验验证提供依据。

不同分子对接工具在采样策略、打分函数和适用的配体类型等方面存在差异，因此针对不同类型的候选抑制剂，可以采用不同的工具进行预测和交叉验证。

对于小分子抑制剂，本教程采用两种策略：

AutoDock Vina:作为快速初筛工具，获得候选小分子的结合构象并进行初步排序；

DSDP：采用不同的深度学习对接策略进行独立预测，用于对结合模式进行交叉验证。

在本教程的 Mpro 候选抑制剂筛选案例中，以 Ebselen（一种已知具有 Mpro 抑制活性的小分子）为例，使用 AutoDock Vina 和 DSDP 进行盲对接构象搜索，展示从结构准备到结果分析的完整流程。

二、核心原理：一文读懂分子对接底层逻辑

分子对接模拟两个分子之间的结合过程，核心包含两个环节：构象搜索（探索配体在受体结合位点的各种可能姿态）和能量评分（评估各构象的稳定程度）。不同软件的差异在于搜索算法和评分函数。

本文介绍的两种工具均遵循这一基本框架，但在采样策略、打分函数和适用配体类型上各有侧重。

三、工具详解：两款主流对接工具功能与差异

分子对接工具 1：AutoDock Vina

AutoDock Vina 由 The Scripps Research Institute 的 Olson 科研小组开发，是应用最广泛的开源对接软件。它采用基于梯度的优化算法进行构象搜索，经验打分函数综合考虑范德华力、氢键和疏水作用。相比早期版本，Vina 运行速度显著提升，支持多核并行计算。

在本教程的 Mpro 候选抑制剂筛选案例中，使用 AutoDock Vina 进行盲对接构象搜索。将候选小分子对接到 Mpro 的整个表面区域，由程序自动搜索可能的结合位点和结合构象，根据预测的结合构象和打分（docking score）对结果进行初步排序，为后续的候选分子筛选和结合模式分析提供依据。

图 1：AutoDock Vina 工具使用教程

AsterFire Go 平台提供 AutoDock Vina 工具，支持盲对接，重配体对接和批量分子对接等模式，用户只需上传蛋白 PDB 文件和配体 mol2 文件，平台自动完成去水、加氢、格式转换等预处理步骤，设置搜索精度等参数后提交至后台运行对接计算。完成后将会直接返回分子对接结果报告，包括结合构象可视化图，以及各结合模型的亲和力打分值，用户可根据打分排序筛选最优结合构象。整个操作无需命令行或手动预处理，上传文件并提交任务即可获取结果。

图 2：AutoDock Vina 分子对接传统操作流程

而在传统操作流程下，则需要手动完成蛋白和配体的 PDBQT 格式转换，涉及去水、加氢等多个预处理步骤，通过命令行调整搜索精度、盒子位置和尺寸来定义结合口袋，最后在可视化软件中查看对接构象。文件格式或路径的细微错误都可能导致运行失败。虽然 Vina 支持批量对接，但面对大规模候选分子时，配体准备、参数配置、任务管理及结果汇总仍需较多操作，流程较为繁琐。

分子对接工具 2：DSDP

DSDP（Deep Site and Docking Pose）由北京大学化学与分子工程学院开发，是一款基于 GPU 加速的盲对接工具。与传统盲对接方法需要在较大的规则搜索空间内进行搜索不同，DSDP 首先利用三维卷积神经网络预测蛋白质潜在结合位点，并将预测结果用于构建更符合口袋形状的采样空间；随后采用基于 Vina 的构象采样和打分方法，对配体可能的结合构象进行搜索和评价。

在本教程的 Mpro 候选抑制剂筛选案例中，使用 DSDP 对 Mpro 与候选配体进行盲对接，在未知结合位点的情况下预测配体可能的结合区域及结合构象。计算完成后，可根据对接构象和打分结果筛选候选结合模式。

图 3：DSDP 工具使用教程

AsterFire Go 平台也提供 DSDP 工具，支持 GPU 加速的盲对接计算。在 KIT 模式下，用户上传选择对接类型后，上传 Mpro 蛋白和配体结构文件即可提交计算。平台完成后续的位点预测和对接计算。计算结束后，平台返回对接结果，并对预测的结合位点区域和配体结合构象进行可视化展示，便于用户直接查看预测的结合位置及结合模式。

图 4：DSDP 分子对接传统操作流程

在传统操作流程下，DSDP 需要配置 NVIDIA GPU、CUDA 和 PyTorch 等运行环境，采用源码安装时，还需要完成相关 C++/CUDA 程序的编译，并配置相应的输入文件和运行参数。完成蛋白和配体的结构预处理后，需要按照程序要求组织输入文件和目录，并通过命令行设置搜索精度、搜索深度等参数。计算完成后，结合位点预测结果和对接构象通常需要分别查看和整理，再通过可视化软件进一步分析。对于不熟悉 GPU 环境配置和命令行操作的用户，整个过程具有一定的使用门槛。

需要注意的是，这两种分子对接工具的预测结果并不完全一致，这与工具采用的搜索空间、构象采样策略和评分函数差异有关。以盲对接任务为例，AutoDock Vina 需要在用户指定的整个搜索空间内进行网格计算和构象采样，其预测结果受初始盒子位置和尺寸的影响较大；而 DSDP 则先通过三维卷积神经网络预测蛋白表面的潜在结合位点，再在预测区域内完成构象采样和打分。该策略减少了盲目搜索带来的计算成本，同时也降低了对结合位点先验信息的依赖。因此，在结合位点未知的情况下，DSDP 的预测结果具有更高的定位精度和计算效率。

对于同一候选分子，建议结合不同方法的预测结果进行综合分析，但当多种工具的预测存在分歧时，DSDP 在结合位点预测和构象采样方面的结果可提供更可靠的参考依据。

四、全新升级：智算 Agent 赋能分子对接

以上介绍的两款分子对接工具，AsterFire Go 平台已将上述流程整合到工具百宝箱（KIT）模式中，用户只需上传蛋白和配体文件，填写关键对接参数（如搜索精度、输出构象数量等），即可提交计算并获取可视化结果。相比传统方式，KIT 模式省去了软件安装、环境配置和命令行操作，但仍需用户自行准备结构文件并确认计算参数。

在此基础上，平台进一步提供智算智能体（Agent）模式，将文件准备和参数配置环节也纳入自动化流程。该模式采用对话式交互，用户只需用自然语言描述对接任务（如"用 DSDP 对接 Mpro 和 Ebselen"），平台即可根据需求自动准备结构文件、配置计算参数、调用相应工具执行对接，并返回结果。整个过程中用户无需上传任何文件，也无需填写任何参数。

图 5：智算 Agent 实现分子对接

例如，在 Agent 模式下，用户只需输入：

“用 DSDP 对接 Mpro 和 Ebselen，返回打分最高的结合构象。”

平台即可根据任务描述完成相应的结构准备、参数配置和对接计算，并将最终结果返回给用户。

KIT 模式侧重于用户对输入文件和计算参数的自主控制，而 Agent 模式则侧重于减少任务准备和命令配置等操作。用户可以根据自身需求选择相应的使用方式。

五、实操总结：高效完成 Mpro 分子对接的核心要点

分子对接是候选药物早期筛选和结合模式研究中常用的计算方法。以 SARS-CoV-2 Mpro 为例，AutoDock Vina 和 DSDP 均可用于未知结合位点条件下的盲对接，通过构象搜索和打分获得候选分子的结合构象，为后续的候选筛选和相互作用分析提供参考。其中，AutoDock Vina 操作成熟、计算效率高，适用于快速开展小分子对接；DSDP 则结合结合位点预测与 GPU 加速对接，在盲对接任务中可减少无效搜索空间，提高计算效率。

传统分子对接通常涉及软件安装、运行环境配置、结构预处理、参数设置、命令行执行以及结果整理等多个环节，对用户的计算环境和软件使用经验具有一定要求。AsterFire Go 将上述工具集成到统一的计算平台中，通过 KIT 模式保留用户对结构文件和关键参数的控制，同时提供智算 Agent 模式，进一步减少文件准备和参数配置等操作。用户可根据任务需求选择相应的使用方式，从而更便捷地完成从结构准备、对接计算到结果查看的完整流程。

通过本教程的 Mpro 案例，可以看到分子对接不仅可用于候选抑制剂的初步筛选，也可用于预测潜在结合位置和分析蛋白质 - 配体结合模式。需要注意的是，对接结果主要用于提供计算层面的结构预测和筛选依据，最终的结合能力和作用机制仍需结合分子动力学模拟、实验结构解析或生化实验等进一步验证。

AsterFire Go 先锋计划启动！让你的真实课题，推动下一代科研智算工具持续迭代

AsterFireGo — Wed, 26 Aug 2026 06:49:53 +0000

配环境、装软件、调参数、盯日志……

对于许多科研人员来说，一项计算任务真正开始运行之前，往往已经耗费了大量时间。即使计算顺利完成，接下来还要面对结果整理、异常排查和流程复现等问题。

如果科研计算可以更简单呢？

如果只需要用自然语言描述自己的科学问题，平台就能帮助你完成计算配置、任务调度和运行流程，那么科研人员就可以把更多精力留给真正重要的事情——设计课题、理解结果，以及作出下一步判断。

现在，AsterFire Go 正式发起「先锋计划」，面向生物 / 医药、材料 / 物理 / 化学等方向，招募首批科研计算体验官。

我们希望邀请你带着真实课题参与测试。完成有效测试并提交反馈，即有机会获得 100～600 元现金奖励。

用自然语言，驱动科学计算

AsterFire Go 是由北京大学高毅勤教授团队孵化的 AI 科研智算平台。

它希望解决的，是科研计算中大量复杂、重复，却又无法绕开的准备工作。

过去，科研人员想要完成一项计算任务，通常需要先准备计算资源、搭建运行环境、安装专业软件、处理依赖关系，再根据不同体系配置参数。任何一个环节出现问题，都可能让任务停在正式计算之前。

AsterFire Go 尝试用自然语言重新组织这一过程。

你不需要从配置环境开始，只需要像与科研助手交流一样，描述自己想做什么。例如，你可以告诉平台：“我想对这个蛋白进行分子动力学模拟。”平台会根据你的需求，帮助你推进后续的任务配置、资源调度和计算流程。

目前，AsterFire Go 重点支持蛋白质设计、药物设计与药物模拟、生物分子动力学模拟、DFT 计算以及机器学习势计算等方向。

我们希望通过这种方式，把科研人员从“配环境、调参数、盯日志”的重复工作中解放出来，让计算回归工具本身的位置，让科研人员重新把注意力放在科学问题上。

为什么要发起先锋计划？

科研工具是否真正好用，不能只看它能否完成预设案例，更要看它能否应对真实、具体且多样的科研需求。

实验室中的计算任务很少完全相同。不同的研究对象、数据条件、计算方法和预期结果，都会带来新的使用场景。只有让产品进入真实科研工作流，才能发现哪些功能真正有帮助，哪些步骤仍然复杂，以及哪些需求还没有被覆盖。

因此，我们发起了 AsterFire Go 先锋计划。这不是一次简单的功能试用，也不是让参与者按照固定步骤完成演示任务。我们希望你带着自己的真实科研问题参与，用实际课题检验平台的功能、体验和场景覆盖能力。

你在使用过程中遇到的每一个问题、产生的每一次困惑，以及提出的每一条建议，都会成为产品迭代的重要依据。平台团队也会根据参与者的测试结果，持续优化产品流程和功能设计。

换句话说，这不仅是一次众测，也是一次围绕真实科研需求展开的产品共创。

我们正在寻找怎样的用户？

本期先锋计划主要面向生物 / 医药、材料 / 物理 / 化学等相关方向的科研用户。

如果你的研究涉及蛋白质设计、药物设计、生物分子动力学模拟、DFT 计算或机器学习势计算，并且手头正好有一个希望尝试解决的真实问题，欢迎报名参与。

无论你是本科生、研究生、博士后、高校教师、科研院所人员，还是相关企业的研发人员，都可以报名参与。项目组将结合研究方向、科研计算经验、测试需求和任务可执行性进行筛选。

我们尤其期待两类参与者：一类是已经具备相关计算经验，希望尝试更高效科研工作方式的用户；另一类是拥有明确计算需求，却受限于环境部署、软件配置、算力资源或操作门槛的用户。

报名阶段无需公开未发表研究的核心内容，如果课题涉及敏感信息，建议换一个 toy system 作为输入，提交需求。

参与测试需要做什么？

入选后，你可以带着自己的真实科研问题体验 AsterFire Go，检验平台能否理解任务需求、推进科研计算流程，并提供具有参考价值的结果。测试期间，项目组将提供必要的操作说明和答疑支持。

每位参与者最多可以提交 3 个测试项目，单个项目的基础体验时间约为 20～30 分钟。完成体验后，你需要结合实际使用过程提交反馈，告诉我们哪些环节足够顺畅、哪些功能没有满足需求，以及你希望平台进一步解决什么问题。

本次测试不要求每个科研问题都必须获得理想结果。

对于产品团队而言，一个未成功完成但过程完整、原因清晰的真实任务，同样具有重要价值。我们关心的不只是“任务有没有跑通”，也包括平台在哪个环节没有满足用户需求，以及未来应该如何改进。

参与先锋计划，你将获得什么？

参与先锋计划，也是一次让真实科研需求被产品团队直接看见的机会。

完成有效测试并提交反馈后，你将根据任务完成情况和反馈质量获得 100～600 元现金奖励。如果你的测试场景具有代表性，或提出的问题对产品改进具有较高参考价值，还可能受邀参加后续深度访谈，与产品团队直接交流自己的科研工作流和实际需求。

作为首批先锋体验官，你也将更早接触 AsterFire Go 的平台能力，并有机会持续参与后续功能验证和产品共创，与我们一起探索 AI 科研智算工具在真实课题中的更多可能。

写在最后

科研工具的进步，最终要服务于科研本身。

AsterFire Go 想做的，并不是替代科研人员作出科学判断，而是让复杂的计算过程变得更容易使用，让科研人员能够把更多时间放在提出问题、理解结果和验证假设上。

而一款科研工具真正走向成熟，也离不开真实课题和真实用户的检验。

如果你手头正好有一个想要尝试的科研问题，欢迎加入 AsterFire Go 先锋计划，用你的真实课题，让你的真实课题，推动下一代科研智算工具持续迭代。

纳米苹果与香橙酶：一个听起来很酷的概念，究竟错在哪？

AsterFireGo — Mon, 17 Aug 2026 08:35:35 +0000

假设你合成了一种纳米材料：它能催化过氧化氢反应，检测信号很漂亮，于是论文里写下“过氧化物酶样活性”。这时，一个看似无害的问题会突然变得尖锐：它催化了与酶相同的反应，就已经是“酶”了吗？

2020 年，ACS Catalysis 的一篇编辑社论把这个问题直接抛向了“纳米酶”领域。文章标题很不客气，叫《Nano-Apples and Orange-Zymes》：别把苹果和橙子硬说成同一种东西。它批评的并不是纳米材料不能催化，更不是否认它们在传感、治疗和材料化学中的潜力；它瞄准的是一种更常见、也更隐蔽的滑坡：只因一个材料做了与酶相似的反应，就把它包装成“酶”。

这场争论真正值得读的地方，不在于给“纳米酶”判死刑，而在于它逼着我们回到一个科研中永不过时的问题：一个漂亮的名字，究竟替我们解释了什么？又掩盖了什么？

争议在“凭什么叫酶”？

天然酶并不是“反应很快”这么简单。它通常拥有明确的活性中心、可追溯的底物识别方式、特定的微环境，以及能被讨论的结构 - 功能关系。许多催化纳米材料当然可以提高某些反应的速率，但“能催化同一个底物”并不自动等于“在模拟同一种酶学机制”。

这正是社论的核心主张：如果一种材料要被称为酶模拟物，至少应当在结构和 / 或功能上，与所比较的酶有可检验的相似性。仅仅把 CeO₂、Fe₃O₄、金纳米颗粒、MOF 或其他材料放进过氧化氢体系里，观察到反应发生，就把它们统称为“纳米酶”，这类比太宽松了。

为什么“会分解 H₂O₂”还不够？

同一反应，不代表同一条机制

过氧化氢的歧化并不是天然过氧化氢酶的专利。无机材料催化这一反应早已有之，而且不少体系会伴随羟基自由基等活性氧物种的生成；这与过氧化氢酶在生物体系中避免有害副反应的方式并不相同。换言之，反应式相同，途径、选择性和生物学后果却可能完全不同。

没有活性位点数，很难比较“谁更强”

社论提出的第二个问题更像一记统计学提醒：酶的活性通常可以按活性位点归一化，讨论周转频率；许多纳米材料的真实活性位点数量却未知或高度异质。在这种情况下，直接宣称“它比天然酶活性更高”，往往是在拿不可比的分母作比较。材料质量、比表面积、颗粒尺寸、表面缺陷和局部环境都可能改变表观速率。

概念如果太大，构效关系反而会消失

催化研究的价值之一，是找到“为什么它有效”的规律。如果“纳米酶”可以指几乎任何表现出某种催化活性的纳米材料，名称就容易盖过机制：到底是金属价态、表面氧空位、单原子位点、配体微环境，还是底物富集在起作用？没有这些问题的答案，名称再时髦，也难以转化为可设计、可复现的催化学知识。

纳米酶，需要更高门槛

如果把这篇社论理解为“所有纳米酶研究都不成立”，那就走得太远了。此后仍有大量研究者尝试为该领域收紧定义、建立活性评价标准，并探索具有明确结构、选择性或生物相关功能的材料体系。支持者的观点也很清楚：纳米材料未必复制天然酶的全部结构，却可能提供天然酶不具备的稳定性、可工程化性和多功能性。

因此，真正值得保留的不是一个非黑即白的结论，而是一条命名原则：当你使用“酶样”“仿生”或“纳米酶”时，最好同时回答三个问题——它像哪一种酶？像在什么层面？证据又是什么？如果只能回答“它也能催化这个反应”，那么“催化纳米材料”往往是更诚实、也更有信息量的说法。

我们可以试试从计算开始

某种 Fe-N-C 或 CeO₂ 体系为什么会表现出“过氧化物酶样”信号？是 H₂O₂ 在表面如何吸附与活化？关键中间体是什么？不同缺陷、掺杂或溶液条件会怎样改变能垒与自由基路径？这些问题不必停留在命名层面，它们可以被拆成可计算、可比对的模型。

AsterFire Go 是由北京大学高毅勤教授团队孵化的科学智算平台，主张“I think, AI compute”。对于这类问题，研究者可以直接描述希望比较的材料、表面与反应路径，借助平台调用 DFT、量子化学、分子动力学、文献检索等能力，把“它像不像酶”的争论推进到“它究竟如何催化”的证据层面。平台仍在持续开发中；把它当作降低计算门槛、帮助提出与验证假设的科研伙伴，会比把它当作自动生成结论的黑箱更有价值。目前平台内测期，注册即可领取 1 个月专业版会员，含 4 枚流动星币 + 50GB 存储空间 + 百余种高级模型 + 全算力消费 9 折优惠。

别让标签替代一个好问题

“纳米酶”是否是好概念，答案并不取决于它传播得有多广，而取决于它是否帮助我们提出更清楚的问题、设计更严格的对照、获得更可迁移的结论。苹果不是橙子，纳米材料也不因为碰巧催化了一次反应就自动成为酶。真正重要的从来不是标签，而是标签背后的机制、尺度与证据。