分子動力學模擬的現代前沿包括毫秒級模擬、機器學習力場和增強採樣的理論基礎。
毫秒級 MD 與 Anton 超級計算機
D.E. Shaw Research 開發的 Anton 系列（Anton 1, 2, 3）是專用 MD 硬體，以 ASIC 實現 ns/day 的吞吐量（vs GPU 的 μs/day 級別）。Anton 2 可在合理牆鐘時間內產生 ~ms 級軌跡。代表性成果包括：BPTI 蛋白質的完整折疊-解折疊循環（Shaw et al., 2010, Science）、GPCRs 的自發配體結合事件（Dror et al., 2011, PNAS）、以及 Src 激酶活化態與非活化態的 μs 級轉變。
機器學習力場（ML Potentials）
傳統固定形式力場（harmonic bonds, Lennard-Jones, Coulomb）精度有限。ANI（Isayev, 2017）、SchNet（Schütt et al., 2018）和 MACE（Batatia et al., 2022）等 neural network potentials 以 DFT 數據訓練，精度接近量子力學但計算成本接近古典力場。在蛋白質應用中，混合 QM/MM-ML 方法正在興起，其中 ML 力場處理活性位點而古典力場處理環境。
Markov State Models (MSMs)
將 MD 軌跡離散化為微狀態（microstates），以轉移機率矩陣描述動態。Voelz, Pande et al. 以 MSMs 從大量短軌跡（分散式計算，如 Folding@home）建構蛋白質折疊的完整自由能景觀和動力學。MSMs 提供的最慢弛緩時間尺度（implied timescales）可與實驗（折疊速率常數）直接比較。PyEMMA 和 deeptime 是常用 MSM 建構軟體。
自由能微擾（FEP）在藥物設計中的應用
Relative binding free energy（RBFE）計算以 FEP/TI（Free Energy Perturbation / Thermodynamic Integration）比較兩個配體對同一靶標的結合親和力差異。Schrödinger FEP+ 在多項盲測（如 D3R Grand Challenge）中展現 < 1 kcal/mol 的預測精度。FEP 的 R² 與實驗 IC₅₀ 的相關性使其成為 lead optimization 的標準工具。
Coarse-Grained (CG) MD
將多個原子整合為一個「粗粒」（bead），如 MARTINI 力場（每 4 個重原子 → 1 bead）。計算加速 ~100-1000x，允許模擬膜重塑（membrane remodeling）、蛋白質自組裝和相分離（liquid-liquid phase separation, LLPS）等大尺度過程。CG 的精度代價需以 backmapping（從 CG 重建全原子結構）和多尺度策略彌補。
MD 與 Cryo-EM 的整合
MDFF（Molecular Dynamics Flexible Fitting, Trabuco et al., 2008）以 Cryo-EM 密度圖作為外加勢能，驅動 MD 模型擬合密度。Cascade MD（先低解析度擬合再逐步提高）和 metainference（Bonomi et al., 2016）以 Bayesian 框架整合 MD 採樣與實驗數據的不確定性。
文獻參考：Shaw, D.E. et al. (2010). Science, 330, 341-346. / Lindorff-Larsen, K. et al. (2011). Science, 334, 517-520. / Bonomi, M. et al. (2016). Sci. Adv., 2, e1501177.