核心用法
AutoMD-GROMACS 是一款面向 AI 的 GROMACS 分子动力学自动化工具包，采用"决策-执行-验证"三层架构：
1. 决策层（Decision Layer）
通过 method-selector.py 智能路由，根据研究目标、体系类型和观测目标自动推荐最优模拟策略，避免方法选择困难。
2. 核心工作流
- 基础流程：体系搭建 → 能量最小化（EM）→ NVT/NVT 平衡 → 成品模拟
- 增强采样：伞形采样、自由能计算、副本交换、元动力学、Steered MD、加速 MD
- 特殊体系：膜蛋白、配体结合、粗粒化、电场模拟、非平衡态、QM/MM 杂化
3. 分析与可视化
- 轨迹分析、结合自由能、膜性质、散射谱、蛋白质专项分析
- 出版级图表与结构渲染
4. 故障排查
执行失败时，按错误码索引 references/troubleshoot/ 对应文档，内置自动修复建议。
显著优点
- AI 原生设计：token 优化的分层披露机制，适合大模型调用
- 方法智能路由：降低初学者方法选择门槛
- 开箱即用：预置 MDP 模板（EM/NVT/NPT/成品/膜/自由能），无需从头编写
- 覆盖全面：从常规蛋白模拟到 QM/MM 等前沿方法
- 学术背景：香港科技大学（广州）维护，基于 GROMACS 2026.1
潜在局限
- 依赖外部二进制：必须预先安装 GROMACS（conda 或源码）
- Python 依赖：需要 PyYAML 支持决策层
- 学习曲线：MD 本身专业门槛高，工具包虽自动化但仍需分子模拟基础
- 更新滞后：GROMACS 主版本升级后可能存在适配延迟
- 社区规模：相比主流 MD 工具生态，第三方教程和案例相对较少
适合人群
- 计算化学/生物物理研究生：需快速开展标准 MD 流程
- 药物设计研究者：配体结合、自由能计算场景
- 膜蛋白研究者：内置膜体系专项支持
- AI4Science 开发者：需要结构化、可编程的 MD 工作流接口
- 教学场景：标准化实验流程，降低环境配置负担
常规风险
- 科学有效性风险：自动化可能掩盖参数设置不当问题，建议关键模拟配合文献验证
- 计算资源消耗：MD 模拟计算密集，误操作可能导致大量机时浪费
- 力场选择陷阱：不同体系需匹配特定力场，工具自动选择可能不最优
- 许可证注意：GROMACS 自身 LGPL，但 QM/MM 等模块可能涉及额外许可