PlayMolecule AI 中热力学引导的精确 pKa 预测与质子化态生成

酸解离常数（p$K_{\rm a}$）的精确预测和主导质子化态的确定在药物发现中至关重要，影响溶解度、渗透性和蛋白质-配体结合等分子性质。我们展示了 Acep$K_{\rm a}$，一个集成到 PlayMolecule AI 平台中的先进应用。Acep$K_{\rm a}$ 基于理论严谨的 Uni-p$K_{\rm a}$ 框架，该框架统一了统计力学与表示学习。通过建模完整的质子化系综而非将 p$K_a$ 视为标量回归目标，Acep$K_{\rm a}$ 确保了耦合电离位点之间的热力学一致性。我们描述了该应用的增强架构，其特征包括重新训练的 Uni-Mol 骨干网络，在标准基准上达到了最先进的性能。此外，我们详细介绍了关键的工程进展。这些包括 AceConfgen，一个专有的 GPU 加速构象生成器，相比 NVIDIA 的 nvmolkit 实现了约 40 倍加速，一个简化的推理引擎用于直接质子化分子，以及一个用于在结合配体构象上应用质子化态的 3D 感知模态。最后，我们讨论了 Acep$K_{\rm a}$ 与 PlayMolecule AI 生态系统的集成，这是一个用于分子建模和药物发现的现代 AI 辅助环境。