朱通

男， 华东师范大学化学与分子工程学院， 教授/研究员/教授级高工或同等级别

学习/工作经历

学习经历：
2010年9月 – 2013年6月，华东师范大学，光学，博士
2007年9月 – 2010年6月，山东师范大学 & 中科院大连化学物理研究所，原子与分子物理，硕士
2003年9月 – 2007年6月，山东师范大学，物理学，学士

工作经历：
2022年8月 – 至今，华东师范大学，化学与分子工程学院，教授
2015年6月 – 2022年7月，华东师范大学，化学与分子工程学院，副教授
2018年5月 – 2019年3月，台湾中研院，化学研究所（访问学者）
2016年9月 – 2017年8月，台湾中研院，化学研究所（访问学者）
2013年6月 – 2015年5月，华东师范大学，博士后

研究领域和兴趣

化学理论与机制

主要业绩

申请人长期致力于复杂体系中化学反应建模方法的研究，围绕原子级势能面构建、反应路径搜索、轨迹分析与物种识别，构建了从基础物理建模到智能生成模型的系统方法体系，取得了一系列具有国际影响力的成果，涵盖燃烧反应分子动力学模拟、金属-蛋白相互作用预测、酶催化机制解析等多个研究方向。

在燃烧体系研究中，申请人率先提出深度学习势能面用于大体系反应模拟，发展了精确模拟甲烷、正十二烷等典型燃料热解与燃烧的机器学习方法。2020年在《Nat. Commun.》发表代表性成果，提出的神经网络势能面在保持DFT级精度的同时，效率提高三个数量级，首次实现了纳秒尺度下的大体系RMD模拟，并揭示了多条实验未知的反应路径。为配套复杂轨迹的数据处理，申请人开发了自动分析软件ReacNetGenerator，基于原子轨迹构建具有统计意义的反应网络与动力学信息，已被国内外多个团队广泛采用。

针对DFT方法精度与效率之间的矛盾，申请人开发了针对化学反应的机器学习密度泛函方法，在保持O(N³)标度的同时，精度接近CCSD(T)级别。该方法以局部密度矩阵的本征值为描述符，直接建立体系相关能的映射模型，并在Grambow、BH9、Transition1x等多个反应基准数据集上实现了超越主流DFT乃至双杂化泛函的精度。以BH9数据集为例，该方法在预测反应势垒和反应能方面的平均误差分别为1.08和0.70 kcal/mol，显著领先现有同类方法。近期，该方法已成功扩展至气相有机反应路径、非平衡中间体能量与势垒预测等复杂问题，为反应机理建模提供了新工具。

为进一步解决过渡态搜索与反应路径预测计算瓶颈，申请人发展了一种结合神经网络势能面的反应路径预测方法，集成EW-CI-NEB算法，实现MEP与过渡态结构的快速识别。相比传统DFT路径搜索，该方法可将计算成本降低两个数量级，同时保持能量预测误差在1.68 kcal/mol以内（J. Chem. Inf. Model., 2025）。此外，团队提出了基于扩散模型的过渡态结构生成方法ECTS，结合等变一致性机制与反应体系对称性，实现了端到端的过渡态生成与势垒预测：结构偏差低至0.12 Å，势垒误差仅为2.4 kcal/mol，且不依赖DFT后验修正。这标志着生成模型在反应路径建模中的首次实用化突破，为高通量反应筛选提供全新方案。

在金属蛋白体系建模方面，申请人发展了Metal-MFCC方法，以线性标度实现金属配位作用的从头量子化学级模拟，并基于偶极极化能引入电子重排模型，显著提升了结构预测与自由能计算精度。此外，申请人发展了基于主动学习的数据集构建框架ESOINN-DP，可在保持覆盖度的同时，显著降低训练数据的冗余与计算开销。上述方法已被用于构建复杂金属体系的深度学习势能面，在自动化程度与模拟精度方面取得实质性突破。

在分子光谱属性预测方向，申请人开发了集合预训练模型的方法EnviroDetaNet，以SMILES与3D结构双输入，结合张量积注意力机制、多尺度特征融合网络，成功预测Hessian矩阵、偶极矩、极化率等关键光谱参数。该方法显著提升了频率预测与光谱模拟的通用性与准确性，为谱学模拟提供了新思路。

此外，申请人在生物催化方向也取得了重要突破。通过结合模拟与实验，揭示了CtdE酶在螺氧吲哚化合物合成中的立体选择性机制，并基于构象打分策略设计出活性更强、辅因子替代能力更优的P450 BM3 S848R突变体，有效降低了催化成本（Nat. Commun., 2021; RSC Adv., 2021）。

五年来，申请人共发表高水平论文40余篇，包括Nat. Mach. Intell., Nat. Commun., Nucleic Acids Res., J. Chem. Theory Comput.等国际期刊，文章他引超过800次，软件工具与算法被多家研究机构应用并取得实际科研成果。所发展的多个模型与工具已集成至DeePMD-kit、DP-GEN等广泛使用的研究平台，为燃烧化学、金属体系模拟、酶机制研究等多个领域提供了高效可靠的基础工具。

代表成果

1. Bowen Li, Jin Xiao, Ya Gao, John Z. H. Zhang, Tong Zhu.
Transition State Searching Accelerated by Neural Network Potential, Journal of Chemical Information and Modeling, 2025, 11(1): 1–8.

2. Likun Wang, Na Li, Mengyao Cao, Yun Zhu, Xiewei Xiong, Li Li, Tong Zhu, Hao Pei.
Predicting DNA Reactions with a Quantum Chemistry-Based Deep Learning Model, Advanced Science, 2024, 11(2409880): 2409880.


3. Xiao-Tian Li, Sixuan Mi, Yuzhi Xu, Bo-Wen Li, Tong Zhu, John Z. H. Zhang.
Discovery of New Synthetic Routes of Amino Acids in Prebiotic Chemistry, JACS Au, 2024, 4(1): 4757–4768.


4. Xiewei Xiong, Tong Zhu, Yun Zhu, Mengyao Cao, Jin Xiao, Li Li, Fei Wang, Chunhai Fan, Hao Pei.
Molecular Convolutional Neural Networks with DNA Regulatory Circuits, Nature Machine Intelligence, 2022, 4(7): 625–635.


5. Zeng, Jinzhe, Cao, Liqun, Xu, Mingyuan, Zhu, Tong, Zhang, John Z. H.
Complex Reaction Processes in Combustion Unraveled by Neural Network-Based Molecular Dynamics Simulation, Nature Communications, 2020, 11(1): 0–5713.

*以上信息由高级会员个人更新和维护。