基于自由能微扰与机器学习协同优化的黑色素瘤抗原肽设计

doi:10.7503/cjcu20260155

高等学校化学学报 ›› 2026, Vol. 47 ›› Issue (11): 20260155.doi: 10.7503/cjcu20260155

基于自由能微扰与机器学习协同优化的黑色素瘤抗原肽设计

王泰中¹^,², 钟青庐², 张珊², 吴毅剑², 李金辉², 庄齐², 吴松¹^,²^,³^,⁴(), 付蕾²^,⁴()

^1.安徽医科大学第二临床医学院，合肥 230601
^2.深圳大学附属华南医院医学人工智能研究所，深圳 518111
^3.深圳大学附属华南医院泌尿外科，深圳 518111
^4.深圳大学电子与信息工程学院，深圳 518060

收稿日期:2026-04-16 出版日期:2026-11-10 发布日期:2026-07-06
通讯作者: 吴松 E-mail:wusong@szu.edu.cn;leifu@szu.edu.cn
作者简介:付蕾，女，博士，特聘研究员，主要从事计算化学与计算生物学方面的研究. E-mail： leifu@szu.edu.cn
基金资助:
深圳市医学研究专项资金(E250200620;E250200622;E250200623);重庆市自然科学基金创新发展联合基金(CSTB2025NSCQ-LZX0079)

Free Energy Perturbation-Machine Learning Collaborative Optimization for Melanoma Antigenic Peptide Design

WANG Taizhong¹^,², ZHONG Qinglu², ZHANG Shan², WU Yijian², LI Jinhui², ZHUANG Qi², WU Song¹^,²^,³^,⁴(), FU Lei²^,⁴()

^1.The Second Clinical College of Anhui Medical University，Hefei 230601，China
^2.Institute of Medical Artificial Intelligence，South China Hospital，Medical School，Shenzhen University，Shenzhen 518111，China
^3.Department of Urology，South China Hospital，Medical School，Shenzhen University，Shenzhen 518111，China
^4.College of Electronics and Information Engineering，Shenzhen University，Shenzhen 518060，China

Received:2026-04-16 Online:2026-11-10 Published:2026-07-06
Contact: WU Song E-mail:wusong@szu.edu.cn;leifu@szu.edu.cn
Supported by:
the Shenzhen Medical Research Fund, China(E250200620;E250200622;E250200623);the Chongqing Natural Science Foundation Innovation and Development Joint Fund, China(CSTB2025NSCQ-LZX0079)

1. ESM to 20260155.pdf(1108KB)

摘要/Abstract

摘要：

针对黑色素瘤抗原肽与主要组织相容性复合体结合亲和力不足、疫苗疗效受限的问题，须建立基于物理与人工智能交互的协同优化框架，以高效筛选高亲和力候选肽段. 本文以PRAME_190—198肽段及 HLA-A^*11∶01复合物为研究对象，利用自由能微扰(FEP)精确量化抗原的氨基酸突变对结合自由能的影响，并驱动FEPaML模型进行多轮优化学习；应用该抗原优化框架对海量抗原突变组合进行高通量预测与排序，并运用分子动力学模拟的自由能微扰计算对机器学习模型预测的抗原进行验证. 结果表明，自由能微扰的精确物理数据校正后的机器学习模型FEPaML可以高效、准确地进行抗原的优化设计，并能够捕捉多位点突变的非线性组合效应；筛选出的最佳三突变体I7F-E8S-K9R的相对结合自由能低至-24.43 kJ/mol，其结合亲和力较野生型显著提升. 该方法实现了抗原肽亲和力的高效、精准优化，能够显著降低筛选成本与周期，可为黑色素瘤个体化疫苗设计提供理论依据与技术支持.

关键词: 分子动力学, 自由能微扰, 机器学习, 抗原优化

Abstract:

To address the limited efficacy of peptide vaccines caused by insufficient binding affinity between melanoma antigens and the major histocompatibility complex（MHC） proteins， this study proposes a free energy perturbation（FEP）-AI synergistic design framework for efficiently screening high-affinity candidate peptides. We focused on the PRAME_190—198 peptide-HLA-A^*11∶01 complex， and employed FEP to accurately quantify the impact of antigenic amino acid mutations on binding free energy. The resulting precise physical data were used to calibrate the FEPaML model through multiple rounds of iterative optimization. The optimized framework was then applied to perform high-throughput prediction and ranking of large-scale combinatorial mutations， followed by validation using the FEP calculation. The FEPaML model， calibrated with high-precision physical data from FEP， enabled efficient and accurate antigen optimization design and successfully captured the synergistic effects of multi-site mutations. The identified optimal triple mutant， I7F-E8S-K9R， achieved a relative binding free energy of -24.43 kJ/mol， showing significantly improved binding affinity compared to the wild type. This framework enables efficient and precise optimization of antigen peptide affinity， substantially reducing screening cost and duration while providing robust theoretical and technical support for personalized melanoma vaccine design.

Key words: Molecular dynamics, Free energy perturbation, Machine learning, Antigen optimization

中图分类号:

O643

TrendMD:

王泰中, 钟青庐, 张珊, 吴毅剑, 李金辉, 庄齐, 吴松, 付蕾. 基于自由能微扰与机器学习协同优化的黑色素瘤抗原肽设计. 高等学校化学学报, 2026, 47(11): 20260155.

WANG Taizhong, ZHONG Qinglu, ZHANG Shan, WU Yijian, LI Jinhui, ZHUANG Qi, WU Song, FU Lei. Free Energy Perturbation-Machine Learning Collaborative Optimization for Melanoma Antigenic Peptide Design. Chem. J. Chinese Universities, 2026, 47(11): 20260155.

图/表 8

Fig.1 Workflow of physics⁃driven and knowledge⁃guided antigenic peptide optimization

Fig.2 Thermodynamic cycle of free energy perturbation calculations

Fig.3 FEP⁃FEPaML collaborative optimization strategy for antigenic peptides

Fig.4 Structural construction and dynamic stability analysis of the PRAME190—198⁃HLA⁃A*11∶01 complex（A） Initial structure of the antigenic peptide-HLA complex， where HLA is shown in purple cartoon representation and the peptide is shown in light green cartoon representation；（B） representative complex structure at 400 ns of molecular dynamics simulation； in the magnified view， HLA is shown as a gray surface model and the peptide is shown as a colored stick model；（C） backbone RMSD profiles from three independent MD simulations.

Fig.5 Buried surface area analysis of the antigenic peptide⁃HLA interface（A） Average burial percentage of each peptide residue；（B） absolute buried surface area of each peptide residue；（C） time evolution of total buried surface area of the wild-type peptide.

Fig.6 Preliminary FEPaML screening and alanine scanning（A） Round 0 FEPaML prediction heatmap for single mutations. Red regions represent predicted affinity enhancement， while blue represents reduction；（B） FEP-based PRAME190—198 alanine scanning of the wild-type peptide；（C） round 1 FEPaML prediction heatmap after alanine scanning feedback.

Fig.7 Full⁃scan FEP results at key sites and round 2 FEPaML prediction heatmap（A—C） Full-scan FEP results for single mutations at P4（A）， P6（B）， and P8（C） sites；（D） round 2 FEPaML prediction heatmap after FEP-feedback correction.

Fig.8 FEP validation of selected candidate peptides and FEPaML predictions before and after FEP⁃feedback correction（A） Fifteen candidate peptides selected from round 2 FEPaML rankings for FEP validation；（B） comparison of FEPaML-predicted and FEP-validated ΔΔG values. The FEPaML prediction values represent the mean outputs of the Bagging ensemble models， and the error bars indicate the standard deviation among multiple parallel base models.

参考文献 74

[1]	Hamid O.， Robert C.， Daud A.， Hodi F. S.， Hwu W. J.， Kefford R.， Wolchok J. D.， Hersey P.， Joseph R.， Weber J. S.， Dronca R.， Mitchell T. C.， Patnaik A.， Zarour H. M.， Joshua A. M.， Zhao Q.， Jensen E.， Ahsan S.， Ibrahim N.， Ribas A.， Ann. Oncol.， 2019， 30（4）， 582—588
[2]	Larkin J.， Chiarion⁃Sileni V.， Gonzalez R.， Grob J. J.， Rutkowski P.， Lao C. D.， Cowey C. L.， Schadendorf D.， Wagstaff J.， Dummer R.， Ferrucci P. F.， Smylie M.， Hogg D.， Hill A.， Márquez⁃Rodas I.， Haanen J.， Guidoboni M.， Maio M.， Schöffski P.， Carlino M. S.， Lebbé C.， McArthur G.， Ascierto P. A.， Daniels G. A.， Long G. V.， Bastholt L.， Rizzo J. I.， Balogh A.， Moshyk A.， Hodi F. S.， Wolchok J. D.， New Engl. J. Med.， 2019， 381（16）， 1535—1546
[3]	Tian H. C.， Zhang J. R.， Si L.， J. Pract. Oncol.， 2023， 38（6）， 509—512
	田惠春，张佳冉，斯璐. 实用肿瘤杂志， 2023， 38（6）， 509—512
[4]	Siegel R. L.， Kratzer T. B.， Giaquinto A. N.， Sung H.， Jemal A.， CA Cancer J. Clin.， 2025， 75（1）， 10—45
[5]	Topalian Suzanne L.， Drake Charles G.， Pardoll Drew M.， Cancer Cell， 2015， 27（4）， 450—461
[6]	Sanmamed M. F.， Chen L.， Cell， 2018， 175（2）， 313—326
[7]	Li W.， Hu J. L.， Wang K.， He Y. J.， Chin. J. Clin. Pharmacol. Ther.， 2021， 26（9）， 1053-1064
	李玮，胡佳丽，王凯，贺毅憬. 中国临床药理学与治疗学， 2021， 26（9）， 1053—1064
[8]	Marty R.， Kaabinejadian S.， Rossell D.， Slifker M. J.， van de Haar J.， Engin H. B.， de Prisco N.， Ideker T.， Hildebrand W. H.， Font⁃Burgada J.， Carter H.， Cell， 2017， 171（6）， 1272—1283
[9]	Singhaviranon S.， Dempsey J. P.， Hagymasi A. T.， Mandoiu I. I.， Srivastava P. K.， Nat. Immunol.， 2025， 26（2）， 240—251
[10]	Blass E.， Ott P. A.， Nat. Rev. Clin. Oncol.， 2021， 18（4）， 215—229
[11]	Hu T. T.， Qiu X. D.， Zhang Y.， Li K. G.， Du J.， J. Mod. Oncol.， 2021， 29（19）， 3495—3499
	胡天天，邱戌旦，张嬿，李凯刚，杜娟. 现代肿瘤医学， 2021， 29（19）， 3495—3499
[12]	Chowell D.， Morris L. G. T.， Grigg C. M.， Weber J. K.， Samstein R. M.， Makarov V.， Kuo F.， Kendall S. M.， Requena D.， Riaz N.， Greenbaum B.， Carroll J.， Garon E.， Hyman D. M.， Zehir A.， Solit D.， Berger M.， Zhou R.， Rizvi N. A.， Chan T. A.， Science， 2018， 359（6375）， 582—587
[13]	Matsumura M.， Fremont D. H.， Peterson P. A.， Wilson l. A.， Science， 1992， 257（5072）， 927—934
[14]	Givechian K. B.， Rocha J. F.， Liu C.， Yang E.， Tyagi S.， Greene K.， Ying R.， Caron E.， Iwasaki A.， Krishnaswamy S.， Nat. Mach. Intell.， 2025， 8， 70—83
[15]	Paul S.， Grifoni A.， Peters B.， Sette A.， Front. Immunol.， 2020， 10， 3151
[16]	Phillips J. C.， Hardy D. J.， Maia J. D. C.， Stone J. E.， Ribeiro J. V.， Bernardi R. C.， Buch R.， Fiorin G.， Hénin J.， Jiang W.， McGreevy R.， Melo M. C. R.， Radak B. K.， Skeel R. D.， Singharoy A.， Wang Y.， Roux B.， Aksimentiev A.， Luthey⁃Schulten Z.， Kalé L. V.， Schulten K.， Chipot C.， Tajkhorshid E.， J. Chem. Phys.， 2020， 153（4）， 044130
[17]	Jorgensen W. L.， Acc. Chem. Res.， 1989， 22（5）， 184—189
[18]	Meng Y.， Dashti D. S.， Roitberg A. E.， J. Chem. Theory Comput.， 2011， 7（9）， 2721—2727
[19]	Reynisson B.， Alvarez B.， Paul S.， Peters B.， Nielsen M.， Nucleic Acids Res.， 2020， 48（W1）， W449—W454
[20]	Nilsson J. B.， Greenbaum J.， Peters B.， Nielsen M.， Front. Immunol.， 2025， 16， 1616113
[21]	O'Donnell T. J.， Rubinsteyn A.， Laserson U.， Cell Systems， 2020， 11（1）， 42—48
[22]	Zhang C.， Li M.， J. Sci. Teachers Coll. Univ.， 2021， 41（7）， 33—36， 47
	张驰，黎明. 高师理科学刊， 2021， 41（7）， 33—36， 47
[23]	Lewis S.， Hempel T.， Jiménez⁃Luna J.， Gastegger M.， Xie Y.， Foong A. Y. K.， Satorras V. G.， Abdin O.， Veeling B. S.， Zaporozhets I.， Chen Y.， Yang S.， Foster A. E.， Schneuing A.， Nigam J.， Barbero F.， Stimper V.， Campbell A.， Yim J.， Lienen M.， Shi Y.， Zheng S.， Schulz H.， Munir U.， Sordillo R.， Tomioka R.， Clementi C.， Noé F.， Science， 2025， 389（6761）， eadv9817
[24]	Zhong Q.， Chan K. C.， Fu L.， Zhou R.， Briefings Bioinf.， 2025， 26（4）， bbaf254
[25]	Noé F.， Tkatchenko A.， Müller K. R.， Clementi C.， Annu. Rev. Phys. Chem.， 2020， 71， 361—390
[26]	Zhang H.， Gao Y. Q.， Chin. J. Chem. Phys.， 2024， 37（2）， 177—191
[27]	Gonzalez⁃Galarza F. F.， McCabe A.， Santos E.， Jones J.， Takeshita L.， OrtegaRivera N. D.， Cid⁃Pavon G. M. D.， Ramsbottom K.， Ghattaoraya G.， Alfirevic A.， Middleton D.， Jones A. R.， Nucleic Acids Res.， 2020， 48（D1）， D783—D788
[28]	Epping M. T.， Wang L.， Edel M. J.， Carlée L.， Hernandez M.， Bernards R.， Cell， 2005， 122（6）， 835—847
[29]	Zhao C. L.， Yang C.， Med. J. Chinese People's Armed Police Forces， 2016， 27（1）， 92—96
	赵铖龙，杨诚. 武警医学， 2016， 27（1）， 92—96
[30]	Ikeda H.， Lethé B.， Lehmann F.， van Baren N.， Baurain J. F.， de Smet C.， Chambost H.， Vitale M.， Moretta A.， Boon T.， Coulie P. G.， Immunity， 1997， 6（2）， 199—208
[31]	Abraham M. J.， Murtola T.， Schulz R.， Páll S.， Smith J. C.， Hess B.， Lindahl E.， SoftwareX， 2015， 1/2， 19—25
[32]	Feng S. L.， Hu S.， Liu B.， Liu W.， Acta Chim. Sinica， 2013， 71（9）， 1313—1320
	冯石磊，胡墅，刘兵，刘伟. 化学学报， 2013， 71（9）， 1313—1320
[33]	Best R. B.， Zhu X.， Shim J.， Lopes P. E. M.， Mittal J.， Feig M.， MacKerell A. D. Jr.， J. Chem. Theory Comput.， 2012， 8（9）， 3257—3273
[34]	Jorgensen W. L.， Chandrasekhar J.， Madura J. D.， Impey R. W.， Klein M. L.， J. Chem. Phys.， 1983， 79（2）， 926—935
[35]	Bussi G.， Donadio D.， Parrinello M.， J. Chem. Phys.， 2007， 126（1）， 014101
[36]	Fu L.， Chan K. C.， Zhong Q.， Buratto D.， Wu S.， Zhou R.， J. Phys. Chem. B， 2025， 129（50）， 12799—12810
[37]	Zhou H.， Chan K. C.， Buratto D.， Zhou R.， Int. J. Biol. Macromol.， 2023， 253， 127199
[38]	Ahmed R.， Omidian Z.， Giwa A.， Cornwell B.， Majety N.， Bell D. R.， Lee S.， Zhang H.， Michels A.， Desiderio S.， Sadegh⁃Nasseri S.， Rabb H.， Gritsch S.， Suva M. L.， Cahan P.， Zhou R.， Jie C.， Donner T.， Hamad A. R. A.， Cell， 2019， 177（6）， 1583—1599
[39]	Song Y.， Bell D. R.， Ahmed R.， Chan K. C.， Lee S.， Hamad A. R. A.， Zhou R.， Proc. Natl. Acad. Sci. USA， 2023， 120（16）， e2214430120
[40]	Parrinello M.， Rahman A.， J. Appl. Phys.， 1981， 52（12）， 7182—7190
[41]	Hess B.， Bekker H.， Berendsen H. J. C.， Fraaije J. G. E. M.， J. Comput. Chem.， 1997， 18（12）， 1463—1472
[42]	Darden T.， York D.， Pedersen L.， J. Chem. Phys.， 1993， 98（12）， 10089—10092
[43]	Zwanzig R. W.， J. Chem. Phys.， 1954， 22（8）， 1420—1426
[44]	Boresch S.， Tettinger F.， Leitgeb M.， Karplus M.， J. Phys. Chem. B， 2003， 107（35）， 9535—9551
[45]	Deng Y.， Roux B.， J. Chem. Theory Comput.， 2006， 2（5）， 1255—1273
[46]	Mobley D. L.， Chodera J. D.， Dill K. A.， J. Chem. Phys.， 2006， 125（8）， 084902
[47]	Beutler T. C.， Mark A. E.， van Schaik R. C.， Gerber P. R.， van Gunsteren W. F.， Chem. Phys. Lett.， 1994， 222（6）， 529—539
[48]	Steinbrecher T.， Joung I.， Case D. A.， J. Comput. Chem.， 2011， 32（15）， 3253—3263
[49]	Bessell C. A.， Isser A.， Havel J. J.， Lee S.， Bell D. R.， Hickey J. W.， Chaisawangwong W.， Glick Bieler J.， Srivastava R.， Kuo F.， Purohit T.， Zhou R.， Chan T. A.， Schneck J. P.， JCI Insight， 2020， 5（8）， e135597
[50]	Kumar S.， Rosenberg J. M.， Bouzida D.， Swendsen R. H.， Kollman P. A.， J. Comput. Chem.， 1992， 13（8）， 1011—1021
[51]	Petrov D.， Perthold J. W.， Oostenbrink C.， de Groot B. L.， Gapsys V.， J. Chem. Theory Comput.， 2024， 20（2）， 914—925
[52]	Vaswani A.， Shazeer N.， Parmar N.， Uszkoreit J.， Jones L.， Gomez A. N.， Kaiser Ł.， Polosukhin I.， NeurIPS， 2017， 30， 5998—6008
[53]	Shahriari B.， Swersky K.， Wang Z.， Adams R. P.， de Freitas N.， Proc. IEEE， 2016， 104（1）， 148—175
[54]	Jones D. R.， Schonlau M.， Welch W. J.， J. Global. Optim.， 1998， 13（4）， 455—492
[55]	Yuan F.， Sun Y. Y.， Liang F.， Liu N.， Jin L.， Luo Y.， Tan L. X.， Xi Y. Z.， Chin. Med. Biotechnol.， 2008， 3（5）， 343—349
	袁方，孙玉英，梁飞，刘楠，金荔，骆媛，谭刘欣，奚永志. 中国医药生物技术， 2008， 3（5）， 343—349
[56]	Blount S. L.， Liu X.， McBride J. D.， Cells， 2024， 13（20）， 1740
[57]	Karuppiah V.， Sangani D.， Whaley L.， Pengelly R.， Uluocak P.， Carreira R. J.， Hock M.， Cristina P. D.， Bartasun P.， Dobrinic P.， Smith N.， Barnbrook K.， Robinson R. A.， Harper S.， Sci. Rep.， 2024， 14（1）， 26851
[58]	Sidney J.， Peters B.， Frahm N.， Brander C.， Sette A.， BMC Immunol.， 2008， 9， 1
[59]	Xia Z.， Huynh T.， Kang S. G.， Zhou R.， Biophys. J.， 2012， 102（6）， 1453—1461
[60]	Bradley P.， eLife， 2023， 12， e82813
[61]	Chen J.， Sawyer N.， Regan L.， Protein Sci.， 2013， 22（4）， 510—515
[62]	Bogan A. A.， Thorn K. S.， J. Mol. Biol.， 1998， 280（1）， 1—9
[63]	Zhou R.， Das P.， Royyuru A. K.， J. Phys. Chem. B， 2008， 112（49）， 15813—15820
[64]	Wang J.， Mao J.， Li C.， Xiang H.， Wang X.， Wang S.， Wang Z.， Chen Y.， Li Y.， No K. T.， Song T.， Zeng X.， J. Cheminform.， 2024， 16（1）， 142
[65]	Jurtz V.， Paul S.， Andreatta M.， Marcatili P.， Peters B.， Nielsen M.， J. Immunol.， 2017， 199（9）， 3360—3368
[66]	Rossjohn J.， Gras S.， Miles J. J.， Turner S. J.， Godfrey D. I.， McCluskey J.， Annu. Rev. Immunol.， 2015， 33， 169—200
[67]	Harndahl M.， Rasmussen M.， Roder G.， Dalgaard Pedersen I.， Sørensen M.， Nielsen M.， Buus S.， Eur. J. Immunol.， 2012， 42（6）， 1405—1416
[68]	Stone J. D.， Kranz D. M.， Front. Immunol.， 2013， 4， 244
[69]	Mariuzza R. A.， Wu D.， Pierce B. G.， Front. Immunol.， 2023， 14， 1303304
[70]	Chen L.， Flies D. B.， Nat. Rev. Immunol.， 2013， 13（4）， 227—242
[71]	Wang L.， Wu Y.， Deng Y.， Kim B.， Pierce L.， Krilov G.， Lupyan D.， Robinson S.， Dahlgren M. K.， Greenwood J.， Romero D. L.， Masse C.， Knight J. L.， Steinbrecher T.， Beuming T.， Damm W.， Harder E.， Sherman W.， Brewer M.， Wester R.， Murcko M.， Frye L.， Farid R.， Lin T.， Mobley D. L.， Jorgensen W. L.， Berne B. J.， Friesner R. A.， Abel R.， J. Am. Chem. Soc.， 2015， 137（7）， 2695—2703
[72]	Ross G. A.， Lu C.， Scarabelli G.， Albanese S. K.， Houang E.， Abel R.， Harder E. D.， Wang L.， Commun. Chem.， 2023， 6（1）， 222
[73]	Chronister W. D.， Crinklaw A.， Mahajan S.， Vita R.， Koşaloğlu⁃Yalçın Z.， Yan Z.， Greenbaum J. A.， Jessen L. E.， Nielsen M.， Christley S.， Front. Immunol.， 2021， 12， 640725
[74]	Karniadakis G. E.， Kevrekidis I. G.， Lu L.， Perdikaris P.， Wang S.， Yang L.， Nat. Rev. Phys.， 2021， 3（6）， 422—440

基于自由能微扰与机器学习协同优化的黑色素瘤抗原肽设计

Free Energy Perturbation-Machine Learning Collaborative Optimization for Melanoma Antigenic Peptide Design

RichHTML

PDF (PC)

补充材料

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 74

相关文章 15

编辑推荐

Metrics

本文评价

[1]	马其林, 吴叶, 汤丹旸, 杨茂生, 徐国富, 杨帆, 石嘉, 姚建铨. 机器学习驱动的中药银杏叶SERS多维度鉴定[J]. 高等学校化学学报, 2026, 47(7): 20260047.
[2]	钟彬焱, 冯玄, 高余福, 詹森华, 石彤非. 基于分子动力学模拟的潜在识别区域下Dectin-1对磷酸化 β-(1→3)-D-葡聚糖的识别机制[J]. 高等学校化学学报, 2026, 47(6): 20250401.
[3]	范翔, 刘子建, 贾梦珂, 艾洪奇. 靶向猴痘A42R病毒的药物筛选和再利用：结合机制的模拟研究[J]. 高等学校化学学报, 2026, 47(6): 20250317.
[4]	于坤杰, 张智, 高其龙. 基于机器学习的负热膨胀研究进展[J]. 高等学校化学学报, 2026, 47(6): 20250375.
[5]	赵迎, 杨海迪, 柴玉春, 高帅帅, 原鹏飞, 陈雪波. 催化电子捐赠的机器学习描述符: 预测氮固定中的吸附能和极限电位[J]. 高等学校化学学报, 2026, 47(2): 20250266.
[6]	崔韶丽, 张天俐, 杜炳辉, 马若瑾, 靳永灿, 叶卓, 徐永涛. 酪氨酸突变对黄粉虫抗冻蛋白抑制甲烷水合物生长的影响：分子动力学模拟[J]. 高等学校化学学报, 2026, 47(11): 20260236.
[7]	卢宇源, 安立佳. 高分子流体剪切带的研究进展与挑战[J]. 高等学校化学学报, 2026, 47(1): 20250354.
[8]	胡煜腾, 桑丽霞, 杜春旭. 等离激元金属及其温升作用下MoS₂-H₂O的界面性质[J]. 高等学校化学学报, 2025, 46(5): 20240569.
[9]	詹森华, 石彤非. 基于分子指纹与量子化学描述符预测聚酰亚胺玻璃化转变温度的机器学习模型[J]. 高等学校化学学报, 2025, 46(4): 20240556.
[10]	谭英佳, 陈亮, 刘聿琳, 那日松, 赵熹. 基于机器学习与分子动力学模拟发现CDK2抑制剂[J]. 高等学校化学学报, 2025, 46(3): 20240442.
[11]	谢冲墨, 卢宇源, 安立佳, 王振华, 王健, 李明伦. 准二维受限体系中高分子链的动力学研究[J]. 高等学校化学学报, 2025, 46(12): 20250247.
[12]	侯泽金, 李荣其, 李健, 冯怡宁, 靳茜茜, 孙俊红, 曹洁. 基于GC-MS和机器学习的深静脉血栓形成预测[J]. 高等学校化学学报, 2024, 45(9): 20240199.
[13]	韩玉贵, 刘长龙, 赵鹏, 郑雯雯, 刘岳鹏, 李轶. 热水化学驱体系与稠油组分间相互作用及其理论模拟研究[J]. 高等学校化学学报, 2024, 45(6): 20230456.
[14]	房意, 李英杰, 张友浩, 任宇, 韩奎华, 赵建立. 基于分子动力学的热化学储能过程中CaO/Ca(OH)₂分子扩散机制研究[J]. 高等学校化学学报, 2024, 45(5): 20240052.
[15]	曹华文, 唐秋凡, 屈蓓, 霍欢, 郑启龙, 曹意林, 李吉祯. 硝酸酯键断裂触发的含能增塑剂DNTN多阶热分解机理[J]. 高等学校化学学报, 2024, 45(2): 20230398.