稀疏自编码器把ProteinMPNN编码器每层128维的稠密隐空间扩展成过完备稀疏空间，使单个维度与二级结构、残基体积、残基形状、二硫键及配体配位等蛋白特征出现相关。在Brolucizumab短链可变片段上，调高与支链氨基酸相关维度的mod=0、0.5、1三个候选在433 K分子动力学模拟中的RMSD低于原始序列、ProteinMPNN序列和GeoEvoBuilder序列，而调高幅度最大的mod=2在该温度下明显去折叠；未做激活调整的mod=0同样改善，说明稀疏自编码器本身也改变了预测。
结构蛋白语言模型ESM3把蛋白当作真空中的分子，缺少溶剂信息，导致逐残基输出把氢键误判为失稳因素，且误差随溶剂可及表面积变化。HEIWA在ESM3残基嵌入上加入水—残基注意力，用可学习的水分子键向量和旋转角度项传递溶剂介导的力场信息。在热稳定蛋白分类代理任务上，加入HEIWA的模型分类指标与基线大体相当，但逐残基输出与RMSF基准和SASA的相关性改善，分子动力学温度爬升显示38个测试蛋白中23个更稳定。
KEN把二维卷积核嵌入E(3)等变图神经网络，让原子间势在几何坐标之外直接读取电子自旋相互作用矩阵，以绕开纯坐标势在强关联磁体系中的不适定问题。在HE26锕系数据集上，KENJI的训练集键能平均绝对误差为6.93 meV/atom，MACE-osaka26为44.7 meV/atom，训练集力误差34.10 meV/Å与MACE-osaka26的26.30 meV/Å相当。独立测试集上能量误差为46.74 meV/atom，力误差高于MACE-osaka26，作者将后者部分归因于自身未使用应力训练。
bAIes 原本只从 AlphaFold2 的距离分布图提取结构信息，用来生成无序蛋白的原子级构象集合。现在它接入 AlphaFold2、AlphaFold3、Boltz-1、Boltz-2、ESMFold 和 ESMFold2 六种预测器，并在 17 个无序蛋白的 NMR 与 SAXS 数据上比较。各预测器给出的集合平均精度与原 AlphaFold2 版本相当，对化学位移、RDC 和 3J 耦合等局部观测量最好，对 PRE 和 SAXS 这类长程与整体压缩观测量偏弱。
AI 智能体已能提出原子层面的生物学假设，但分子动力学模拟的信任取决于过程记录，而现有智能体把这份记录交给语言模型自己写。MDClaw 把校验工具与有向无环图（DAG，记录各计算阶段依赖关系的图）结合，在阶段执行前检查、执行后留痕；在对照已沉积模拟的 MDDataBench 上，四个开放权重模型配 MDClaw 在 31 个测试体系中有 81–100% 全部三轮通过。去掉 DAG 的消融显示，11 次输出全部通过的运行其实跳过了能量最小化或平衡，或模拟了另一个结构。
激发态能量不像基态能量那样可以写成原子贡献之和，因此把多个态直接汇总输出的机器学习势，在分子变大或两个分子同时出现时会偏离。LEH-MACE 改为由每个原子的对角块和原子对之间的耦合块拼成一个对称矩阵，取其特征值作为单重激发能，使相距超过截断的两个分子的谱精确等于各自谱的并集。在约30.3万个几何、10.7万个分子的TD-DFT数据上，这种构造在远离训练分布时优势扩大，对分子对只有它保持了单分子精度。
KC-maps 把随机微分方程的有限时间转移核直接学成一个神经网络映射，训练时只需要互不相关的边缘样本和已知的漂移、扩散系数，不需要成对的模拟轨迹。它把边界条件写进网络结构，并用 Kolmogorov–Chapman 方程构造训练目标，使不同时间尺度上拼接的转移在分布上保持一致。在丙氨酸二肽、四肽和六肽上，它用单次学习到的转移替代最多 70 fs 的序列积分，在相同 GPU 小时预算下取得更低的 TICA-2 距离，并在 AL6 上覆盖到训练数据中缺失的构象模式。
粗粒化分子动力学能给出膜蛋白的短时轨迹，但长时扩散统计代价高昂。神经随机模型把蛋白构型编码、多时间尺度循环记忆与带记忆的随机隐过程结合起来，自回归地生成相关位移。在7个PIEZO通道体系中，它给出的平均异常扩散指数为1.048±0.012，与MD的1.049±0.022接近，而此前的VAR-SDE模型为1.563±0.016；生成轨迹延伸到4万帧。
立方PbTe在平均结构上保持中心对称，却存在有限尺度的局域极性关联，过去常把这种关联归因于晶格非谐性。用基于密度泛函数据训练的机器学习原子间势做十万原子级分子动力学，再把势映射成可解释的原子间力常数模型，可以逐项开关高阶项。结果显示，去掉三阶和四阶非谐力常数后纳米尺度极性关联依然存在，而把二阶谐波相互作用截断到第三近邻，关联完全消失；低温下关联范围超过50 Å。
机器学习预测 Kohn–Sham 哈密顿量时，只按矩阵元素误差训练会让下游电子性质误差偏大，因为从算符到电子态的映射高度各向异性。DSHam 在原有哈密顿量损失之外，同时约束预测哈密顿量解出的密度矩阵、实空间电子密度和占据轨道能量。在 ∇2DFT 基准上，电子密度与总能量误差分别比最强对比方法降低 40 倍和 500 倍，并能在训练规模两倍重原子的分子上外推。