#分子动力学

DeePMD-kit是一个用Python和C++编写的软件包，专注于简化深度学习原子势能模型和力场的创建和分子动力学模拟。它与TensorFlow及多个高性能MD和量子MD软件包接口，确保高效的训练和计算。模块化设计使其支持多种描述符和高性能并行计算，适用于有机分子、金属、半导体等系统。

ABACUS（Atomic-orbital Based Ab-initio Computation at UStc）是一款开源的密度泛函理论计算软件包，适用于分子和材料模拟研究。它支持平面波和数值原子基组计算，提供LDA、GGA、meta-GGA和杂化泛函。ABACUS具备几何优化、从头算分子动力学模拟等功能，并包含DFT+U、范德华修正和隐式溶剂模型等先进特性。此外，ABACUS为机器学习辅助的DFT方法开发提供了基础设施。

AlphaFlow是基于AlphaFold的改进版本，通过流匹配目标微调，专门生成蛋白质构象集合。它模拟实验和分子动力学集合，提供完整代码、说明和模型权重。项目还包括ESMFold的微调版本ESMFlow。这些工具有助于研究蛋白质结构多样性和动态特性，为蛋白质科学研究提供新的方法和视角。

TorchMD-NET是一个先进的神经网络势能(NNP)模型框架，提供高效快速的NNP实现。该框架与ACEMD、OpenMM和TorchMD等GPU加速分子动力学代码集成，并将NNP作为PyTorch模块提供。项目支持等变Transformer、Transformer、图神经网络和TensorNet等多种架构，可通过conda-forge安装或从源代码构建。TorchMD-NET具有灵活的训练配置选项，支持自定义数据集和多节点训练，并提供预训练模型。

ProLIF是一个用于生成生物分子复合物相互作用指纹的开源工具。它可分析分子动力学轨迹、对接模拟和实验结构数据,支持配体、蛋白质、DNA和RNA等多种分子类型。该工具提供详细文档和教程,适用于生物信息学和药物设计领域的复杂相互作用研究。ProLIF由MDAnalysis和RDKit等库提供技术支持,是这一领域的重要资源。

TorchMD是一个开源的分子动力学模拟框架，基于PyTorch构建。它为研究人员提供简单易用的API，支持力场开发和神经网络势能的无缝集成。TorchMD使用与传统MD软件兼容的化学单位，适用于多种分子模拟任务。该项目正在积极开发中，由Chan Zuckerberg Initiative和Acellera资助，并与OpenMM和ACEMD展开合作。TorchMD适用于蛋白质折叠、药物设计、材料科学等领域的分子动力学研究。研究人员可以利用TorchMD快速开发和测试新的力场模型，推进计算化学和生物物理学的发展。

MISATO是一个专为结构化药物发现设计的机器学习数据集，包含高质量的蛋白质-配体复合物数据。数据集涵盖了19000多个配体的量子力学计算结果和16000多个蛋白质-配体结构的分子动力学模拟。MISATO旨在提高配体分子精确度、合理表示系统动力学，并促进创新AI药物发现模型的开发。研究人员可免费下载MISATO数据集，使用提供的PyTorch数据加载器进行AI训练和预测。

SchNetPack是一个开源的深度学习工具包,用于原子级系统建模。它提供了构建和训练神经网络的基础组件,可预测分子和材料的势能面及量子化学性质。该工具包支持SchNet和PaiNN等先进模型,能够计算偶极矩、极化率等多种属性,并集成了分子动力学模拟功能。SchNetPack简化了新模型的开发和评估流程,为原子级机器学习研究提供了有力支持。

GPUMD是一款在GPU上实现的高效分子动力学模拟工具。它支持神经进化势能(NEP)的训练和使用,提供热传导计算、光谱分解等功能。该工具性能高效,易于使用,适用于Linux和Windows系统。GPUMD提供丰富的教程、文档和相关Python包,便于进行大规模原子模拟和数据分析。

ASE-ANI是一个开源的神经网络势能模型接口，为原子模拟环境(ASE)设计。它集成了ANI-1x和ANI-1ccx模型，可对CHNO元素进行高精度预测。该项目运用深度学习技术，实现了DFT级别的精度和显著降低的计算成本。ASE-ANI支持CUDA加速，适用于配备NVIDIA GPU的Ubuntu系统，为分子动力学模拟等应用提供高效解决方案。

TorchANI是一个开源的PyTorch实现的ANI神经网络势能模型库。该项目提供高精度分子动力学模拟功能,支持ANI2x、ANI1x和ANI1ccx等多种模型参数。TorchANI具备易用API和GPU加速能力,可通过pip或conda安装。作为活跃维护的开源项目,TorchANI欢迎社区贡献。